論文の概要: LFD-ProtoNet: Prototypical Network Based on Local Fisher Discriminant
Analysis for Few-shot Learning
- arxiv url: http://arxiv.org/abs/2006.08306v2
- Date: Fri, 25 Sep 2020 19:48:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 03:06:25.701166
- Title: LFD-ProtoNet: Prototypical Network Based on Local Fisher Discriminant
Analysis for Few-shot Learning
- Title（参考訳）: lfd-protonet:局地的なフィッシャー判別分析に基づく原型的ネットワーク
- Authors: Kei Mukaiyama, Issei Sato, Masashi Sugiyama
- Abstract要約: Prototypeal Network (ProtoNet) は、各クラスのプロトタイプ表現までの距離を用いてメートル法学習と分類を行う、数発の学習フレームワークである。
提案手法の有用性は,理論上は予測されるリスクバウンドを提供し,MiniImageNetとタイレッドImageNetに優れた分類精度を実証的に示すことによって示される。
- 参考スコア（独自算出の注目度）: 98.64231310584614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prototypical network (ProtoNet) is a few-shot learning framework that
performs metric learning and classification using the distance to prototype
representations of each class. It has attracted a great deal of attention
recently since it is simple to implement, highly extensible, and performs well
in experiments. However, it only takes into account the mean of the support
vectors as prototypes and thus it performs poorly when the support set has high
variance. In this paper, we propose to combine ProtoNet with local Fisher
discriminant analysis to reduce the local within-class covariance and increase
the local between-class covariance of the support set. We show the usefulness
of the proposed method by theoretically providing an expected risk bound and
empirically demonstrating its superior classification accuracy on miniImageNet
and tieredImageNet.
- Abstract（参考訳）: prototypical network (protonet) は、各クラスのプロトタイプ表現までの距離を使ってメトリック学習と分類を行う、数少ない学習フレームワークである。
最近、実装が簡単で、非常に拡張性があり、実験でうまく機能するため、多くの注目を集めています。
しかし、サポートベクトルの平均をプロトタイプとして考慮するだけで、サポートセットが高い分散度を持つ場合、性能が低下する。
本稿では,ProtoNetとローカルフィッシャー識別分析を組み合わせることで,局所的なクラス内共分散を低減し,サポートセットの局所的なクラス間共分散を増大させることを提案する。
提案手法の有用性は,理論上は予測されるリスクバウンドを提供し,MiniImageNetとタイレッドImageNetに優れた分類精度を実証的に示すことによって示される。
関連論文リスト
- Learning Support and Trivial Prototypes for Interpretable Image
Classification [19.00622056840535]
Prototypeal part network (ProtoPNet) 法は解釈可能な分類を実現するために設計されている。
本稿では,特徴空間の分類境界付近にあるサポートプロトタイプを学習するための新しい手法により,ProtoPNetの分類を改善することを目的とする。
論文 参考訳（メタデータ） (2023-01-08T09:27:41Z) - A Task-aware Dual Similarity Network for Fine-grained Few-shot Learning [19.90385022248391]
TDSNet(Task-aware Dual similarity Network)は,グローバルな不変機能と識別的局所的詳細を探索する手法である。
TDSNetは、他の最先端アルゴリズムと比較することで、競争性能を達成する。
論文 参考訳（メタデータ） (2022-10-22T04:24:55Z) - Stochastic Deep Networks with Linear Competing Units for Model-Agnostic
Meta-Learning [4.97235247328373]
本研究は,LWTA(Local winner-takes-all)アクティベーションを伴うディープネットワークを考慮したメタラーニング(ML)に対処する。
このタイプのネットワークユニットは、ユニットが1つのユニットだけがゼロでない出力を生成するブロックに編成されるため、各モデルレイヤからスパース表現が生成される。
提案手法は,数ショット画像の分類と回帰実験における最先端の予測精度と,アクティブな学習環境における予測誤差の低減を実現する。
論文 参考訳（メタデータ） (2022-08-02T16:19:54Z) - An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。
既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。
本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-07T06:50:27Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳（メタデータ） (2021-12-15T09:50:25Z) - Rethinking Counting and Localization in Crowds:A Purely Point-Based
Framework [59.578339075658995]
そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。
我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
論文 参考訳（メタデータ） (2021-07-27T11:41:50Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳（メタデータ） (2020-09-08T07:29:05Z) - Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。
PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。
PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
論文 参考訳（メタデータ） (2020-05-11T09:53:36Z)
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。