論文の概要: Open-Set Recognition with Gaussian Mixture Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2006.02003v1
- Date: Wed, 3 Jun 2020 01:15:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 17:11:47.779538
- Title: Open-Set Recognition with Gaussian Mixture Variational Autoencoders
- Title(参考訳): ガウス混合変分オートエンコーダによるオープンセット認識
- Authors: Alexander Cao, Yuan Luo, Diego Klabjan
- Abstract要約: 推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。
我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。
我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
- 参考スコア(独自算出の注目度): 91.3247063132127
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In inference, open-set classification is to either classify a sample into a
known class from training or reject it as an unknown class. Existing deep
open-set classifiers train explicit closed-set classifiers, in some cases
disjointly utilizing reconstruction, which we find dilutes the latent
representation's ability to distinguish unknown classes. In contrast, we train
our model to cooperatively learn reconstruction and perform class-based
clustering in the latent space. With this, our Gaussian mixture variational
autoencoder (GMVAE) achieves more accurate and robust open-set classification
results, with an average F1 improvement of 29.5%, through extensive experiments
aided by analytical results.
- Abstract(参考訳): 推論において、オープンセットの分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶することである。
既存の深層開集合分類器は明示的な閉集合分類器を訓練し、いくつかのケースでは不随意に再構成を利用する。
それとは対照的に,我々はモデルをトレーニングして,相互に再構築を学習し,潜在空間でクラスベースのクラスタリングを行う。
これにより, ガウス混合変分オートエンコーダ(gmvae)は, 解析結果による広範囲な実験により, 平均的なf1改良率29.5%で, より正確かつロバストなオープンセット分類結果が得られる。
関連論文リスト
- Decoupled Training for Long-Tailed Classification With Stochastic
Representations [15.990318581975435]
表現学習と学習の分離は,長期データを用いた分類に有効であることが示されている。
まず、ディープニューラルネットワークの一般化を改善するための最適化手法であるウェイト平均化(SWA)を適用し、長い尾の分類のためのより優れた一般化特徴抽出器を得る。
そこで我々は,SWA-Gaussian,Gaussian SWA,および自己蒸留戦略から得られた摂動表現に基づく新しい分類器再学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-19T05:35:09Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳(メタデータ) (2022-12-23T00:50:41Z) - Visualizing Classifier Adjacency Relations: A Case Study in Speaker
Verification and Voice Anti-Spoofing [72.4445825335561]
任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。
ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。
提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
論文 参考訳(メタデータ) (2021-06-11T13:03:33Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳(メタデータ) (2021-06-09T12:02:29Z) - 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) - 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) - Hybrid Models for Open Set Recognition [28.62025409781781]
オープンセット認識は、トレーニングセット内のどのクラスにも属さないサンプルを検出するために分類器を必要とする。
本稿では,入力データを結合埋め込み空間にエンコードするエンコーダと,サンプルを不整クラスに分類する分類器と,フローベース密度推定器からなるOpenHybridを提案する。
標準オープンセットベンチマークの実験では、エンドツーエンドの訓練されたOpenHybridモデルは最先端の手法やフローベースのベースラインを大きく上回っている。
論文 参考訳(メタデータ) (2020-03-27T16:14:27Z)
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。