論文の概要: Few-Shot Open-Set Recognition using Meta-Learning

• arxiv url: http://arxiv.org/abs/2005.13713v2
• Date: Sun, 7 Jun 2020 19:15:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 09:24:09.139897
• Title: Few-Shot Open-Set Recognition using Meta-Learning
• Title（参考訳）: メタラーニングを用いた数発オープンセット認識
• Authors: Bo Liu, Hao Kang, Haoxiang Li, Gang Hua, Nuno Vasconcelos
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 72.15940446408824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of open-set recognition is considered. While previous approaches only consider this problem in the context of large-scale classifier training, we seek a unified solution for this and the low-shot classification setting. It is argued that the classic softmax classifier is a poor solution for open-set recognition, since it tends to overfit on the training classes. Randomization is then proposed as a solution to this problem. This suggests the use of meta-learning techniques, commonly used for few-shot classification, for the solution of open-set recognition. A new oPen sEt mEta LEaRning (PEELER) algorithm is then introduced. This combines the random selection of a set of novel classes per episode, a loss that maximizes the posterior entropy for examples of those classes, and a new metric learning formulation based on the Mahalanobis distance. Experimental results show that PEELER achieves state of the art open set recognition performance for both few-shot and large-scale recognition. On CIFAR and miniImageNet, it achieves substantial gains in seen/unseen class detection AUROC for a given seen-class classification accuracy.
• Abstract（参考訳）: オープンセット認識の問題点を考察する。 従来のアプローチでは,大規模分類訓練の文脈でのみこの問題を考えるが,本手法と低ショット分類設定の統一解を求める。 古典的なsoftmax分類器は、トレーニングクラスに過剰に適合する傾向があるため、オープンセット認識の貧弱なソリューションであると主張する。 ランダム化はこの問題の解法として提案される。 これは、オープンセット認識のソリューションとして、少ないショット分類に一般的に使用されるメタラーニング技術の使用を示唆している。 次に、新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムを導入する。 これは、エピソードごとに一連の新しいクラスをランダムに選択することと、それらのクラスの例の後方エントロピーを最大化する損失と、マハラノビス距離に基づく新しいメトリック学習定式化を組み合わせる。 実験の結果,PEELERは,少数ショットと大規模認識の両方において,オープンセット認識性能の達成を図っている。 CIFARとminiImageNetでは、所定のクラス分類精度に対して、見かけ/見えないクラス検出のAUROCでかなりの向上を達成する。

関連論文リスト

• RAR: Retrieving And Ranking Augmented MLLMs for Visual Recognition [78.97487780589574]
  MLLM(Multimodal Large Language Models)は、細粒度カテゴリの分類において優れている。 本稿では,MLLMの検索とランク付けのための拡張手法を提案する。 提案手法は, 微粒化認識における固有の限界に対処するだけでなく, モデルの包括的知識基盤も維持する。
  論文  参考訳（メタデータ） (2024-03-20T17:59:55Z)
• OpenIncrement: A Unified Framework for Open Set Recognition and Deep Class-Incremental Learning [4.278434830731282]
  オープンな集合認識と統合された深層学習フレームワークを提案する。 提案手法は,クラスに学習した特徴を改良し,距離に基づくオープンセット認識に適応させる。 実験により,本手法が最先端のインクリメンタル学習技術より優れていることを確認した。
  論文  参考訳（メタデータ） (2023-10-05T19:08:08Z)
• Towards Generalized Few-Shot Open-Set Object Detection [13.671120689841736]
  オープンセットオブジェクト検出(OSOD)は、既知のカテゴリを検出し、動的世界の未知のオブジェクトを拒否することを目的としている。 本稿では,G-FOOD (Generalized few-shot Open-set Object Detection) の解を求める。 この問題に対処する新しいG-FOODアルゴリズム, underlineFew-shunderlineOt underline Open-set underlineDetector (FOOD)を提案する。
  論文  参考訳（メタデータ） (2022-10-28T09:02:32Z)
• 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)
• Reconstruction guided Meta-learning for Few Shot Open Set Recognition [31.49168444631114]
  ReFOCS (Reconstructing Exemplar-based Few-shot Open-set Classifier) を提案する。 新規な再構築型メタラーニング戦略であるReFOCSを用いてFSOSRを効率化する。 ReFOCSは複数の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T23:23:35Z)
• 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)
• Hyperspherical embedding for novel class classification [1.5952956981784217]
  本稿では,正規化ソフトマックス損失下での潜在空間の表現に制約に基づくアプローチを提案する。 本研究では,メトリクス学習と正規化ソフトマックス損失の両方を用いて,異なるデータセット上の未知のクラスを分類するための提案手法を実験的に検証した。 この結果から,提案した戦略は,ペアワイズ学習を必要とせず,メトリック学習戦略よりも優れた分類結果を提供するため,より大規模なクラスで効率的に学習可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-05T15:42:13Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• Conditional Gaussian Distribution Learning for Open Set Recognition [10.90687687505665]
  オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。 未知のサンプルを検出することに加えて、異なる潜伏特徴を異なるガウスモデルに近似させることにより、既知のサンプルを分類することもできる。 いくつかの標準画像に対する実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。
  論文  参考訳（メタデータ） (2020-03-19T14:32:08Z)

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。