論文の概要: Learning Interclass Relations for Image Classification

• arxiv url: http://arxiv.org/abs/2006.13491v1
• Date: Wed, 24 Jun 2020 05:32:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 12:50:01.493737
• Title: Learning Interclass Relations for Image Classification
• Title（参考訳）: 画像分類のためのクラス間関係の学習
• Authors: Muhamedrahimov Raouf, Bar Amir and Akselrod-Ballin Ayelet
• Abstract要約: 標準分類では、典型的には分類カテゴリーを互いに独立したものとして扱う。 本研究では、クラス独立性の仮定が、より多くのトレーニングデータを必要とする制限要因であるという認識に基づいて、分類問題の新たな定式化を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In standard classification, we typically treat class categories as independent of one-another. In many problems, however, we would be neglecting the natural relations that exist between categories, which are often dictated by an underlying biological or physical process. In this work, we propose novel formulations of the classification problem, based on a realization that the assumption of class-independence is a limiting factor that leads to the requirement of more training data. First, we propose manual ways to reduce our data needs by reintroducing knowledge about problem-specific interclass relations into the training process. Second, we propose a general approach to jointly learn categorical label representations that can implicitly encode natural interclass relations, alleviating the need for strong prior assumptions, which are not always available. We demonstrate this in the domain of medical images, where access to large amounts of labelled data is not trivial. Specifically, our experiments show the advantages of this approach in the classification of Intravenous Contrast enhancement phases in CT images, which encapsulate multiple interesting inter-class relations.
• Abstract（参考訳）: 標準分類では、典型的には分類カテゴリーを互いに独立したものとして扱う。 しかし、多くの問題において、我々は、下層の生物学的または物理的過程によってしばしば決定されるカテゴリ間の自然関係を無視している。 本研究では,クラス独立性の仮定が,より多くのトレーニングデータを必要とする限界因子であるという認識に基づいて,分類問題の新たな定式化を提案する。 まず,問題固有のクラス間関係に関する知識をトレーニングプロセスに再導入することで,データニーズの軽減を手作業で行う方法を提案する。 第2に,自然クラス間の関係を暗黙的にエンコードできる分類的ラベル表現を共同学習する一般的なアプローチを提案する。 我々は、大量のラベル付きデータへのアクセスが容易ではない医療画像の領域でこれを実証する。 具体的には,CT画像における静脈内コントラスト増強相の分類において,複数の興味深いクラス間関係をカプセル化したアプローチの利点を示す。

関連論文リスト

• Prototype Correlation Matching and Class-Relation Reasoning for Few-Shot Medical Image Segmentation [20.150759422964146]
  本稿では,アンダーラインテキストbfPrototype相関とアンダーラインテキストbfClass-relationアンダーラインテキストbfReasoning(textbfPMCR)モデルを提案する。 提案モデルは,大規模なクラス内変動に起因する偽画素相関マッチングを効果的に緩和することができる。
  論文  参考訳（メタデータ） (2024-06-07T16:23:36Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• Neural Dependencies Emerging from Learning Massive Categories [94.77992221690742]
  この研究は、大規模画像分類のために学んだニューラルネットワークに関する2つの驚くべき発見を示す。 1) 十分に訓練されたモデルが与えられた場合、いくつかのカテゴリで予測されたロジットは、他のいくつかのカテゴリの予測を線形に組み合わせることで直接得ることができる。 2) 神経依存は1つのモデルに留まらず、2つの独立した学習モデルの間にさえ存在する。
  論文  参考訳（メタデータ） (2022-11-21T09:42:15Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• Learning Informative Representations of Biomedical Relations with Latent Variable Models [2.4366811507669115]
  本稿では,任意に柔軟な分布を持つ潜在変数モデルを提案する。 我々のモデルは、パラメータが少なく、トレーニングがかなり速く、両方のタスクの強いベースラインと競合する結果が得られることを実証する。
  論文  参考訳（メタデータ） (2020-11-20T08:56:31Z)
• Logic-guided Semantic Representation Learning for Zero-Shot Relation Classification [31.887770824130957]
  ゼロショット関係分類のための論理誘導型意味表現学習モデルを提案する。 我々のアプローチは、暗黙的および明示的な意味表現と知識グラフの埋め込みと論理規則との接続を構築する。
  論文  参考訳（メタデータ） (2020-10-30T04:30:09Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
  類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。 類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-11T05:35:16Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。