論文の概要: MMF: A loss extension for feature learning in open set recognition

• arxiv url: http://arxiv.org/abs/2006.15117v2
• Date: Mon, 3 May 2021 21:37:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 21:30:08.213844
• Title: MMF: A loss extension for feature learning in open set recognition
• Title（参考訳）: MMF:オープンセット認識における特徴学習のための損失拡張
• Authors: Jingyun Jia, Philip K. Chan
• Abstract要約: オープンセット認識問題に対処するために,ニューラルネットワークにおける損失関数のアドオン拡張を提案する。 我々の損失拡大はニューラルネットワークを利用して既知のクラスに対する極性表現を見つけ、既知のクラスと未知のクラスの表現をより効果的に分離できるようにします。
• 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: Open set recognition (OSR) is the problem of classifying the known classes, meanwhile identifying the unknown classes when the collected samples cannot exhaust all the classes. There are many applications for the OSR problem. For instance, the frequently emerged new malware classes require a system that can classify the known classes and identify the unknown malware classes. In this paper, we propose an add-on extension for loss functions in neural networks to address the OSR problem. Our loss extension leverages the neural network to find polar representations for the known classes so that the representations of the known and the unknown classes become more effectively separable. Our contributions include: First, we introduce an extension that can be incorporated into different loss functions to find more discriminative representations. Second, we show that the proposed extension can significantly improve the performances of two different types of loss functions on datasets from two different domains. Third, we show that with the proposed extension, one loss function outperforms the others in terms of training time and model accuracy.
• Abstract（参考訳）: オープンセット認識(OSR)は、既知のクラスを分類する問題であり、一方、収集されたサンプルがすべてのクラスを消耗できない場合、未知のクラスを識別する。 OSR問題には多くの応用がある。 例えば、頻繁に出現する新しいマルウェアクラスは、既知のクラスを分類し、未知のマルウェアクラスを識別できるシステムを必要とする。 本稿では,OSR問題に対処するニューラルネットワークにおける損失関数のアドオン拡張を提案する。 我々の損失拡大はニューラルネットワークを利用して既知のクラスに対する極性表現を見つけ、既知のクラスと未知のクラスの表現をより効果的に分離できるようにします。 まず、より差別的な表現を見つけるために、異なる損失関数に組み込むことができる拡張を導入します。 第2に,提案した拡張は,2つの異なるドメインのデータセット上での2種類の損失関数の性能を著しく向上させることができることを示す。 第3に,提案した拡張では,学習時間とモデルの精度において,損失関数が他よりも優れていることを示す。

関連論文リスト

• Learning Large Margin Sparse Embeddings for Open Set Medical Diagnosis [8.131130865777346]
  オープンセット認識(OSR)では、トレーニングで見えないカテゴリがテストに現れる可能性がある。 OSRは、既知のクラスを正しく分類するだけでなく、未知のクラスを認識し、さらなる診断のために専門家に転送するアルゴリズムを必要とする。 我々は,Open Margin Cosine Loss (OMCL) の2つのメカニズムを統一する手法を提案する。前者はMargin Loss with Adaptive Scale (MLAS) と呼ばれ,クラス内コンパクト性とクラス間セパビリティの強化のための角マージンを導入した。 後者はOpen-Space Suppression (OSS)と呼ばれ、提案された特徴空間記述子を用いて、スパース埋め込み空間を未知として認識することで分類器を開放する。
  論文  参考訳（メタデータ） (2023-07-10T13:09:42Z)
• Class-Incremental Learning: A Survey [84.30083092434938]
  CIL(Class-Incremental Learning)は、学習者が新しいクラスの知識を段階的に取り入れることを可能にする。 CILは、前者の特徴を壊滅的に忘れる傾向にあり、その性能は劇的に低下する。 ベンチマーク画像分類タスクにおける17の手法の厳密で統一的な評価を行い、異なるアルゴリズムの特徴を明らかにする。
  論文  参考訳（メタデータ） (2023-02-07T17:59:05Z)
• 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)
• Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
  オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。 本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。 複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-07-05T16:25:34Z)
• Representation learning with function call graph transformations for malware open set recognition [0.0]
  オープンセット認識問題は、セキュリティなど、多くの機械学習(ML)アプリケーションにおいて課題となっている。 本稿では,マルウェア分類におけるOSR問題に対する自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2022-05-13T22:40:14Z)
• Incremental Class Learning using Variational Autoencoders with Similarity Learning [0.0]
  漸進的な学習におけるニューラルネットワークの破滅的な忘れは、依然として難しい問題である。 本研究は,段階的な授業学習における4つのよく知られた計量に基づく損失関数の破滅的忘れについて検討する。 角損失はほとんど影響を受けず, 対照的に3重項損失, 中心損失は良好な鉱業技術であった。
  論文  参考訳（メタデータ） (2021-10-04T10:19:53Z)
• Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection [89.43987367139724]
  顔の偽造検出は、コンピュータビジョンへの関心をますます高めている。 近年の業績は良好なものとなっているが、いまだに無視できない問題がある。 本稿では,新しい周波数認識型特徴学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-16T14:17:17Z)
• CC-Loss: Channel Correlation Loss For Image Classification [35.43152123975516]
  チャネル相関損失(CC-Loss)は、クラスとチャネル間の特定の関係を制約することができる。 提案したCC-Lossでトレーニングされた2つの異なるバックボーンモデルは、3つの画像分類データセットにおける最先端の損失関数より優れている。
  論文  参考訳（メタデータ） (2020-10-12T05:59:06Z)
• Universal-to-Specific Framework for Complex Action Recognition [114.78468658086572]
  本稿では,複雑な行動認識のためのU2Sフレームワークを提案する。 U2Sフレームワークは、ユニバーサルネットワーク、カテゴリ固有のネットワーク、マスクネットワークという3つのワークで構成されている。 さまざまなベンチマークデータセットの実験では、U2Sフレームワークの有効性が示されている。
  論文  参考訳（メタデータ） (2020-07-13T01:49:07Z)
• Deep Learning and Open Set Malware Classification: A Survey [0.0]
  最近の機械学習の研究は、機械学習におけるオープンセット認識(OSR)問題に光を当てている。 OSRシステムは、既知のクラスを正しく分類するだけでなく、未知のクラスを認識すべきである。 本調査では,さまざまなディープラーニング技術の概要,OSRとグラフ表現ソリューションの議論,マルウェア分類システムの導入について概説する。
  論文  参考訳（メタデータ） (2020-04-08T21:36:21Z)
• Learning Class Regularized Features for Action Recognition [68.90994813947405]
  本稿では,階層活性化のクラスベース正規化を行うクラス正規化手法を提案する。 動作認識に最先端CNNアーキテクチャのクラス正規化ブロックを用いることで,Kineetics,UCF-101,HMDB-51データセットにおいて,それぞれ1.8%,1.2%,1.4%の体系的改善が得られた。
  論文  参考訳（メタデータ） (2020-02-07T07:27:49Z)

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。