論文の概要: OpenMix: Reviving Known Knowledge for Discovering Novel Visual Categories in An Open World

• arxiv url: http://arxiv.org/abs/2004.05551v1
• Date: Sun, 12 Apr 2020 05:52:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 05:20:46.326052
• Title: OpenMix: Reviving Known Knowledge for Discovering Novel Visual Categories in An Open World
• Title（参考訳）: OpenMix: オープンな世界で新しいビジュアルカテゴリを発見するための知識の復活
• Authors: Zhun Zhong, Linchao Zhu, Zhiming Luo, Shaozi Li, Yi Yang, Nicu Sebe
• Abstract要約: オープンセットからのラベルなし例と既知のクラスからのラベル付き例を混合するために、OpenMixを導入します。 OpenMixは、間違った擬似ラベルで割り当てられる可能性のあるラベルのないサンプルに対して、モデルが過度に適合することを防ぐのに役立つ。
• 参考スコア（独自算出の注目度）: 127.64076228829606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we tackle the problem of discovering new classes in unlabeled visual data given labeled data from disjoint classes. Existing methods typically first pre-train a model with labeled data, and then identify new classes in unlabeled data via unsupervised clustering. However, the labeled data that provide essential knowledge are often underexplored in the second step. The challenge is that the labeled and unlabeled examples are from non-overlapping classes, which makes it difficult to build the learning relationship between them. In this work, we introduce OpenMix to mix the unlabeled examples from an open set and the labeled examples from known classes, where their non-overlapping labels and pseudo-labels are simultaneously mixed into a joint label distribution. OpenMix dynamically compounds examples in two ways. First, we produce mixed training images by incorporating labeled examples with unlabeled examples. With the benefits of unique prior knowledge in novel class discovery, the generated pseudo-labels will be more credible than the original unlabeled predictions. As a result, OpenMix helps to prevent the model from overfitting on unlabeled samples that may be assigned with wrong pseudo-labels. Second, the first way encourages the unlabeled examples with high class-probabilities to have considerable accuracy. We introduce these examples as reliable anchors and further integrate them with unlabeled samples. This enables us to generate more combinations in unlabeled examples and exploit finer object relations among the new classes. Experiments on three classification datasets demonstrate the effectiveness of the proposed OpenMix, which is superior to state-of-the-art methods in novel class discovery.
• Abstract（参考訳）: 本稿では,非結合クラスからのラベル付きデータからラベル付き視覚データから新しいクラスを発見する問題に取り組む。 既存のメソッドは通常、ラベル付きデータでモデルを事前トレーニングし、教師なしのクラスタリングを通じてラベルなしデータ内の新しいクラスを識別する。 しかし、重要な知識を提供するラベル付きデータは、しばしば第2段階において過小評価される。 課題はラベル付きおよびラベルなしの例は重複しないクラスからのものであるため、それらの間の学習関係を構築するのが困難である。 本研究では,OpenMixを導入して,オープンセットからのラベルなし例と既知のクラスからのラベル付き例を混合し,重複しないラベルと擬似ラベルを同時に結合ラベル分布に混合する。 OpenMixは2つの方法で動的に例を合成する。 まず,ラベル付き例にラベル付き例を組み込んだ混合訓練画像を作成する。 新規クラス発見におけるユニークな事前知識の利点により、生成された擬似ラベルは、元のラベルなし予測よりも信頼性が高い。 その結果、openmixは、間違った擬似ラベルで割り当てられる可能性のあるラベルのないサンプルに、モデルが過剰にフィットすることを防ぐのに役立ちます。 第二に、第1の方法は、高いクラス確率を持つラベルのない例にかなりの精度を持たせることである。 これらのサンプルを信頼性の高いアンカーとして紹介し,ラベルのないサンプルとさらに統合する。 これにより、ラベルのない例でより多くの組み合わせを生成し、新しいクラス間のより細かいオブジェクト関係を活用できます。 3つの分類データセットの実験は、新しいクラス発見における最先端手法よりも優れたOpenMixの有効性を示す。

関連論文リスト

• Towards Imbalanced Large Scale Multi-label Classification with Partially Annotated Labels [8.977819892091]
  マルチラベル分類は、複数のクラスにインスタンスを関連付けることができる日常生活において、広く発生する問題である。 本研究では,ラベルの不均衡の問題に対処し,部分ラベルを用いたニューラルネットワークのトレーニング方法について検討する。
  論文  参考訳（メタデータ） (2023-07-31T21:50:48Z)
• SLaM: Student-Label Mixing for Distillation with Unlabeled Examples [15.825078347452024]
  学生ラベル混合(SLaM)と呼ばれる未ラベル例を用いた知識蒸留の原理的手法を提案する。 SLaMは、いくつかの標準ベンチマークで評価することで、従来のアプローチよりも一貫して改善されている。 ランダムな分類雑音下でハーフスペースを学習する際の最もよく知られたサンプル複雑性を改善するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-08T00:14:44Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference [90.5402652758316]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。 競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
  論文  参考訳（メタデータ） (2021-12-28T06:48:03Z)
• OpenCoS: Contrastive Semi-supervised Learning for Handling Open-set Unlabeled Data [65.19205979542305]
  ラベル付けされていないデータには、実際にはクラス外のサンプルが含まれる。 OpenCoSは、このリアルな半教師付き学習シナリオを扱う方法である。
  論文  参考訳（メタデータ） (2021-06-29T06:10:05Z)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。