論文の概要: Unifying Few- and Zero-Shot Egocentric Action Recognition

• arxiv url: http://arxiv.org/abs/2006.11393v1
• Date: Wed, 27 May 2020 02:23:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 08:19:28.037836
• Title: Unifying Few- and Zero-Shot Egocentric Action Recognition
• Title（参考訳）: 少数・ゼロショットエゴセントリックな行動認識の統一
• Authors: Tyler R. Scott, Michael Shvartsman and Karl Ridgeway
• Abstract要約: オープンセット分類の評価が可能なEPIC-KITCHENSデータセットから新たな分割セットを提案する。 従来の直交ベースラインにメトリクス学習損失を加えることで、ゼロショット分類を最大10%改善できることを示す。
• 参考スコア（独自算出の注目度）: 3.1368611610608848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although there has been significant research in egocentric action recognition, most methods and tasks, including EPIC-KITCHENS, suppose a fixed set of action classes. Fixed-set classification is useful for benchmarking methods, but is often unrealistic in practical settings due to the compositionality of actions, resulting in a functionally infinite-cardinality label set. In this work, we explore generalization with an open set of classes by unifying two popular approaches: few- and zero-shot generalization (the latter which we reframe as cross-modal few-shot generalization). We propose a new set of splits derived from the EPIC-KITCHENS dataset that allow evaluation of open-set classification, and use these splits to show that adding a metric-learning loss to the conventional direct-alignment baseline can improve zero-shot classification by as much as 10%, while not sacrificing few-shot performance.
• Abstract（参考訳）: エゴセントリックな行動認識には重要な研究があるが、EPIC-KITCHENSを含むほとんどのメソッドやタスクは、一定の行動クラスを想定している。 固定セット分類はベンチマーク手法に有用であるが、アクションの構成性のため、実用的な設定では非現実的であり、機能的に無限カルジナリティラベル集合となる。 本研究では,クラスを開集合とする一般化について検討し,クラスとゼロショットの2つの一般的なアプローチを統一する(後者はクロスモーダルな数ショットの一般化として再編成する)。 オープンセット分類の評価を可能にするepic-kitchensデータセットから派生した新たな分割セットを提案し,これらの分割を用いて,従来のダイレクトアリゲーションベースラインにメートル法学習損失を加えることで,ゼロショット分類を最大10%向上できることを示す。

関連論文リスト

• Fine-Grained Visual Classification using Self Assessment Classifier [12.596520707449027]
  識別的特徴の抽出は、きめ細かい視覚的分類タスクにおいて重要な役割を担っている。 本稿では,画像とトップkの予測クラスを同時に活用する自己評価手法を提案する。 本手法は,CUB200-2011,Stanford Dog,FGVC Aircraft のデータセットに対して,最新の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-21T07:41:27Z)
• A Simple Approach to Adversarial Robustness in Few-shot Image Classification [20.889464448762176]
  単純な移動学習に基づくアプローチは、逆向きに頑健な数ショット分類器を訓練するのに有効であることを示す。 また,少数ショットカテゴリのセントロイドをベースクラスに校正する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-11T22:46:41Z)
• Towards A Conceptually Simple Defensive Approach for Few-shot classifiers Against Adversarial Support Samples [107.38834819682315]
  本研究は,数発の分類器を敵攻撃から守るための概念的簡便なアプローチについて検討する。 本稿では,自己相似性とフィルタリングの概念を用いた簡易な攻撃非依存検出法を提案する。 ミニイメージネット(MI)とCUBデータセットの攻撃検出性能は良好である。
  論文  参考訳（メタデータ） (2021-10-24T05:46:03Z)
• A New Split for Evaluating True Zero-Shot Action Recognition [45.815342448662946]
  未確認テストクラスとトレーニングおよび事前学習クラスの間に重複のない、真のゼロショット動作認識のための新しい分割を提案する。 提案するUCF101およびHMDB51に対するTrue Zero-Shot (TruZe) Splitに関する最近のアプローチをベンチマークする。
  論文  参考訳（メタデータ） (2021-07-27T18:22:39Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
  各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。 提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
  論文  参考訳（メタデータ） (2021-01-18T12:46:24Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
  数発の分類問題の調査に2つの貢献をしている。 本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。 本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
  論文  参考訳（メタデータ） (2020-08-10T11:28:52Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  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。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)

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。