論文の概要: Class Anchor Clustering: a Loss for Distance-based Open Set Recognition

• arxiv url: http://arxiv.org/abs/2004.02434v3
• Date: Tue, 2 Mar 2021 23:33:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 06:54:12.851827
• Title: Class Anchor Clustering: a Loss for Distance-based Open Set Recognition
• Title（参考訳）: クラスアンカークラスタリング: 距離ベースオープンセット認識における損失
• Authors: Dimity Miller, Niko S\"underhauf, Michael Milford, Feras Dayoub
• Abstract要約: クラスアンカークラスタリング(クラスアンカークラスタリング、Class Anchor Clustering、CAC)は、ロジット空間の固定されたクラス依存センタの周りに密集したクラスタを形成するために、既知のクラスを明示的に訓練する損失である。 CACを用いたトレーニングは,6つのベンチマークデータセットを用いた距離ベース開集合分類器の最先端性能を実現する。 また、我々のアンカークラスセンターは、特にオブジェクトベースデータセットや多数のトレーニングクラスにおいて、学習したクラスセンターよりも高いオープンセット性能を実現していることを示す。
• 参考スコア（独自算出の注目度）: 29.787774198940884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In open set recognition, deep neural networks encounter object classes that were unknown during training. Existing open set classifiers distinguish between known and unknown classes by measuring distance in a network's logit space, assuming that known classes cluster closer to the training data than unknown classes. However, this approach is applied post-hoc to networks trained with cross-entropy loss, which does not guarantee this clustering behaviour. To overcome this limitation, we introduce the Class Anchor Clustering (CAC) loss. CAC is a distance-based loss that explicitly trains known classes to form tight clusters around anchored class-dependent centres in the logit space. We show that training with CAC achieves state-of-the-art performance for distance-based open set classifiers on all six standard benchmark datasets, with a 15.2% AUROC increase on the challenging TinyImageNet, without sacrificing classification accuracy. We also show that our anchored class centres achieve higher open set performance than learnt class centres, particularly on object-based datasets and large numbers of training classes.
• Abstract（参考訳）: オープンセット認識では、ディープニューラルネットワークはトレーニング中に未知のオブジェクトクラスに遭遇する。 既存のオープンセット分類器は、ネットワークのロジット空間における距離を測定することで既知のクラスと未知のクラスを区別し、既知のクラスが未知のクラスよりもトレーニングデータに近いと仮定する。 しかし、このアプローチはクロスエントロピー損失で訓練されたネットワークに適用され、クラスタリング動作は保証されない。 この制限を克服するために、クラスアンカークラスタリング(CAC)の損失を導入します。 cacは距離ベースの損失であり、ロジット空間のクラス依存中心の周りに密集したクラスターを形成するために既知のクラスを明示的に訓練する。 CACを用いたトレーニングは,6つの標準ベンチマークデータセットすべてに対して,距離ベースオープンセット分類器の最先端性能を実現し,分類精度を犠牲にすることなく,困難であるTinyImageNetに対して15.2%のAUROCが増加していることを示す。 また、我々のアンカークラスセンターは、特にオブジェクトベースデータセットや多数のトレーニングクラスにおいて、学習したクラスセンターよりも高いオープンセット性能を達成することを示す。

関連論文リスト

• Robust Semi-Supervised Learning for Self-learning Open-World Classes [5.714673612282175]
  実世界のアプリケーションでは、ラベル付きデータは常にラベル付き集合に存在しないクラスを含んでいる。 本稿では,自己学習型オープンワールドクラス(SSOC)のためのオープンワールドSSL手法を提案する。 SSOCは、複数の人気のある分類ベンチマークで最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-01-15T09:27:46Z)
• SegPrompt: Boosting Open-world Segmentation via Category-level Prompt Learning [49.17344010035996]
  オープンワールドインスタンスセグメンテーション(OWIS)モデルは、クラスに依存しない方法で未知のオブジェクトを検出する。 以前のOWISは、未知のオブジェクトに一般化するモデルの能力を維持するために、トレーニング中のカテゴリ情報を完全に消去するアプローチだった。 そこで本研究では,モデルのクラスに依存しないセグメンテーション能力を改善するためにカテゴリ情報を利用するSegPromptと呼ばれる新しいトレーニング機構を提案する。
  論文  参考訳（メタデータ） (2023-08-12T11:25:39Z)
• DiGeo: Discriminative Geometry-Aware Learning for Generalized Few-Shot Object Detection [39.937724871284665]
  汎用的な少ショットオブジェクト検出は、豊富なアノテーションと限られたトレーニングデータを持つ新しいクラスで、両方のベースクラス上で正確な検出を実現することを目的としている。 既存のアプローチは、ベースクラスのパフォーマンスを犠牲にして、数ショットの一般化を促進する。 クラス間分離とクラス内コンパクト性の幾何学的特徴を学習するための新しいトレーニングフレームワークDiGeoを提案する。
  論文  参考訳（メタデータ） (2023-03-16T22:37:09Z)
• Open Long-Tailed Recognition in a Dynamic World [82.91025831618545]
  実世界のデータは、しばしば長い尾を持ち、(目に見えないクラスを持つ)オープンな分布を示す。 現実的な認識システムは、多数派(頭)クラスと少数派(尾)クラスの間でバランスを取り、分布を一般化し、見知らぬクラス(オープンクラス)のインスタンスで新規性を認める必要がある。 我々は,Open Long-Tailed Recognition++を,このような自然分布データからの学習として定義し,バランスの取れたテストセット上での分類精度を最適化する。
  論文  参考訳（メタデータ） (2022-08-17T15:22:20Z)
• Towards Accurate Open-Set Recognition via Background-Class Regularization [36.96359929574601]
  オープンセット認識(OSR)では、分類器は、高いクローズドセット分類精度を維持しつつ、未知のクラスサンプルを拒否できるべきである。 以前の研究では、潜在的特徴空間を制限し、オフライン分析によって制限された空間の外にあるデータを拒否しようとした。 標準分類器アーキテクチャにおいてOSRを実行するための単純な推論プロセス(オフライン解析なしで)を提案する。 提案手法は,高い閉集合分類精度を維持しつつ,堅牢なOSR結果を提供することを示す。
  論文  参考訳（メタデータ） (2022-07-21T03:55:36Z)
• Few-shot Open-set Recognition Using Background as Unknowns [58.04165813493666]
  未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。 提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
  論文  参考訳（メタデータ） (2022-07-19T04:19:29Z)
• Open Set Recognition using Vision Transformer with an Additional Detection Head [6.476341388938684]
  視覚変換器(ViT)技術に基づくオープンセット認識(OSR)の新しい手法を提案する。 まず、閉集合分類を行うためにViTモデルを訓練する。 そして、ViTによって抽出された埋め込み特徴に付加検出ヘッドを取り付け、既知のデータの表現をクラス固有のクラスタにコンパクトに強制するように訓練する。
  論文  参考訳（メタデータ） (2022-03-16T07:34:58Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
  各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。 提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
  論文  参考訳（メタデータ） (2021-01-18T12:46:24Z)
• Learning and Exploiting Interclass Visual Correlations for Medical Image Classification [30.88175218665726]
  本稿では、クラス相関学習ネットワーク(CCL-Net)を提案し、与えられたトレーニングデータからクラス間の視覚的相関を学習する。 ネットワークが望ましい相関関係を直接学習させる代わりに,クラス固有の埋め込みの距離メートル法学習を通じて暗黙的に学習することを提案する。 相関関係の幾何学的説明に基づく直感的損失は、クラス間の相関関係の学習を促進するために設計されている。
  論文  参考訳（メタデータ） (2020-07-13T13:31:38Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。