論文の概要: Channel Relationship Prediction with Forget-Update Module for Few-shot Classification

• arxiv url: http://arxiv.org/abs/2006.08937v1
• Date: Tue, 16 Jun 2020 05:48:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-20 18:53:25.202769
• Title: Channel Relationship Prediction with Forget-Update Module for Few-shot Classification
• Title（参考訳）: Few-shot分類のためのフォーゲット更新モジュールによるチャネル関係予測
• Authors: Minglei Yuan and Cunhao Cai and Tong Lu
• Abstract要約: 本稿では,サポートセットの各クラスとクエリサンプルの関係を,Desth-updateモジュールを用いて推定するパイプラインを提案する。 提案したパイプラインは、miniImagenet、CUBデータセット、およびクロスドメインシナリオで最先端の結果を達成することができる。
• 参考スコア（独自算出の注目度）: 14.551158193127984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we proposed a pipeline for inferring the relationship of each class in support set and a query sample using forget-update module. We first propose a novel architectural module called "channel vector sequence construction module", which boosts the performance of sequence-prediction-model-based few-shot classification methods by collecting the overall information of all support samples and a query sample. The channel vector sequence generated by this module is organized in a way that each time step of the sequence contains the information from the corresponding channel of all support samples and the query sample to be inferred. Channel vector sequence is obtained by a convolutional neural network and a fully connected network, and the spliced channel vector sequence is spliced of the corresponding channel vectors of support samples and a query sample in the original channel order. Also, we propose a forget-update module consisting of stacked forget-update blocks. The forget block modify the original information with the learned weights and the update block establishes a dense connection for the model. The proposed pipeline, which consists of channel vector sequence construction module and forget-update module, can infer the relationship between the query sample and support samples in few-shot classification scenario. Experimental results show that the pipeline can achieve state-of-the-art results on miniImagenet, CUB dataset, and cross-domain scenario.
• Abstract（参考訳）: 本稿では,サポートセット内の各クラスと,leet-updateモジュールを用いたクエリサンプルの関係を推測するパイプラインを提案する。 まず,すべてのサポートサンプルと問合せサンプルの総合情報を収集することにより,シーケンス予測モデルに基づく少数ショット分類手法の性能を向上させる"channel vector sequence construction module"という新しいアーキテクチャモジュールを提案する。 このモジュールによって生成されたチャネルベクトル列は、シーケンスの各時間ステップが、すべてのサポートサンプルの対応するチャネルと推測されるクエリサンプルからの情報を含むように構成される。 畳み込みニューラルネットワークと完全接続されたネットワークによりチャネルベクトルシーケンスを求め、スプライシングされたチャネルベクトルシーケンスを、サポートサンプルの対応するチャネルベクトルと、クエリサンプルとを、元のチャネル順にスプライシングする。 また,スタック化されたrelook-updateブロックからなるrelook-updateモジュールを提案する。 forgetブロックは学習した重みで元の情報を変更し、更新ブロックはモデルの密接な接続を確立する。 提案するパイプラインは,チャネルベクトル列構築モジュールとリフレッシュ更新モジュールから構成されており,クエリサンプルとサポートサンプルとの関係を,数ショットの分類シナリオで推測することができる。 実験結果から,このパイプラインはminiImagenet, CUBデータセット, クロスドメインシナリオで最先端の結果を得ることができることがわかった。

関連論文リスト

• Symmetrical Joint Learning Support-query Prototypes for Few-shot Segmentation [33.33249452130038]
  クラス内変動の重要な問題に対処するFew-Shot(FSS)のための新しいフレームワークであるSym-Netを提案する。 我々は、クエリとプロトタイプの両方を対称的に学習し、学習プロセスが他方よりも1つのセット(サポートまたはクエリ)を好まないようにします。 実験の結果,提案したSym-Netは最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-07-27T17:37:56Z)
• P-MSDiff: Parallel Multi-Scale Diffusion for Remote Sensing Image Segmentation [8.46409964236009]
  拡散モデルとマルチスケール機能はセグメンテーションタスクにおいて不可欠な要素である。 並列なマルチスケール分岐を持つ拡散モデルとして知られるセマンティックセグメンテーションの新しいモデルを提案する。 我々のモデルは、UAVidとVayhingen Buildingのデータセットに基づいて、J1測定値に基づいて、優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-05-30T19:40:08Z)
• Generalized Relation Modeling for Transformer Tracking [13.837171342738355]
  ワンストリームトラッカーは、すべてのエンコーダ層を通して、テンプレートが検索領域内のすべての部分とやり取りすることを可能にする。 これは、抽出された特徴表現が十分に識別できない場合に、ターゲットと背景の混乱を引き起こす可能性がある。 適応トークン分割に基づく一般化された関係モデリング手法を提案する。 提案手法は,2ストリーム,1ストリームのパイプラインよりも優れており,リアルタイム実行速度の6つのベンチマークにおいて,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2023-03-29T10:29:25Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Sequence-to-Sequence Models for Extracting Information from Registration and Legal Documents [4.581762147208636]
  我々は,法的および登録文書の情報抽出のためのトークンレベルの分類手法の代替としてシーケンス・ツー・シーケンス・モデルを評価する。 我々は、情報を共同で抽出し、既に構造化された形式で出力を生成するモデルを微調整する。 入力テキストと出力を一致させる新しい手法を提案し,システム検査と監査を容易にする。
  論文  参考訳（メタデータ） (2022-01-14T20:20:12Z)
• KG-FiD: Infusing Knowledge Graph in Fusion-in-Decoder for Open-Domain Question Answering [68.00631278030627]
  検索した通路間の構造的関係を知識グラフで利用することにより,ノイズのある通路をフィルタする新しい手法KG-FiDを提案する。 我々は,KG-FiDが解答一致スコアの最大1.5%向上し,計算コストの40%程度でFiDに匹敵する性能が得られることを示した。
  論文  参考訳（メタデータ） (2021-10-08T18:39:59Z)
• ATRM: Attention-based Task-level Relation Module for GNN-based Few-shot Learning [14.464964336101028]
  注目に基づくタスクレベル関係モジュール(ATRM)という新しい関係測定法を提案する。 提案モジュールは,サンプルからサンプルへの埋め込み機能ではなく,サンプルからタスクまでを考慮し,ノード間の関係表現をキャプチャする。 実験結果から,提案モジュールはGNNによる少数ショット学習に有効であることが示された。
  論文  参考訳（メタデータ） (2021-01-25T00:53:04Z)
• CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional Network for Clustering [51.62959830761789]
  クロスアテンションに基づくディープクラスタリングフレームワークCross-Attention Fusion based Enhanced Graph Convolutional Network (CaEGCN)を提案する。 CaEGCNには、クロスアテンション融合、Content Auto-Encoder、Graph Convolutional Auto-Encoder、および自己監視モデルという4つの主要なモジュールが含まれている。 異なるタイプのデータセットに対する実験結果は、提案したCaEGCNの優位性とロバスト性を証明する。
  論文  参考訳（メタデータ） (2021-01-18T05:21:59Z)
• Neural Function Modules with Sparse Arguments: A Dynamic Approach to Integrating Information across Layers [84.57980167400513]
  Neural Function Modules (NFM)は、ディープラーニングに同じ構造機能を導入することを目的としている。 トップダウンとボトムアップのフィードバックを組み合わせたフィードフォワードネットワークのコンテキストにおける作業のほとんどは、分類の問題に限られている。 私たちの仕事の重要な貢献は、フレキシブルなアルゴリズムで注意、疎結合、トップダウン、ボトムアップのフィードバックを組み合わせることです。
  論文  参考訳（メタデータ） (2020-10-15T20:43:17Z)
• RE-MIMO: Recurrent and Permutation Equivariant Neural MIMO Detection [85.44877328116881]
  無線通信システムにおけるシンボル検出のための新しいニューラルネットワークを提案する。 無線通信システムにおけるいくつかの重要な考察に動機付けられている。 その性能を既存手法と比較し,ネットワークが可変数の送信機を効率的に処理できることを示す。
  論文  参考訳（メタデータ） (2020-06-30T22:43:01Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)

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。