論文の概要: DEAL: Deep Evidential Active Learning for Image Classification
- arxiv url: http://arxiv.org/abs/2007.11344v2
- Date: Tue, 27 Oct 2020 07:35:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 22:03:12.216235
- Title: DEAL: Deep Evidential Active Learning for Image Classification
- Title（参考訳）: DEAL:画像分類のためのディープエビデンシャルアクティブラーニング
- Authors: Patrick Hemmer, Niklas K\"uhl and Jakob Sch\"offer
- Abstract要約: アクティブラーニング(AL)は、限られたラベル付きデータの問題を緩和するためのアプローチである。
CNNの最近のAL手法は、ラベル付けするインスタンスの選択に異なる解決策を提案する。
本稿では,ラベルのないデータから高い予測不確かさを捕捉して効率よく学習する新しいALアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Convolutional Neural Networks (CNNs) have proven to be state-of-the-art
models for supervised computer vision tasks, such as image classification.
However, large labeled data sets are generally needed for the training and
validation of such models. In many domains, unlabeled data is available but
labeling is expensive, for instance when specific expert knowledge is required.
Active Learning (AL) is one approach to mitigate the problem of limited labeled
data. Through selecting the most informative and representative data instances
for labeling, AL can contribute to more efficient learning of the model. Recent
AL methods for CNNs propose different solutions for the selection of instances
to be labeled. However, they do not perform consistently well and are often
computationally expensive. In this paper, we propose a novel AL algorithm that
efficiently learns from unlabeled data by capturing high prediction
uncertainty. By replacing the softmax standard output of a CNN with the
parameters of a Dirichlet density, the model learns to identify data instances
that contribute efficiently to improving model performance during training. We
demonstrate in several experiments with publicly available data that our method
consistently outperforms other state-of-the-art AL approaches. It can be easily
implemented and does not require extensive computational resources for
training. Additionally, we are able to show the benefits of the approach on a
real-world medical use case in the field of automated detection of visual
signals for pneumonia on chest radiographs.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(cnns)は、画像分類のような教師付きコンピュータビジョンタスクのための最先端のモデルであることが証明されている。
しかし、そのようなモデルのトレーニングと検証には、大きなラベル付きデータセットが一般的に必要である。
多くのドメインでは、ラベル付きデータは利用可能だが、例えば特定の専門家の知識が必要な場合、ラベル付けは高価である。
アクティブラーニング(AL)は、限られたラベル付きデータの問題を緩和するためのアプローチである。
ラベル付けのための最も情報的で代表的なデータインスタンスを選択することで、ALはモデルのより効率的な学習に貢献できる。
CNNの最近のAL手法は、ラベル付けするインスタンスの選択に異なる解決策を提案する。
しかし、それらは一貫してうまく動作せず、しばしば計算コストがかかる。
本稿では,高い予測の不確かさを捉えることにより,ラベルなしデータから効率的に学習する新しいalアルゴリズムを提案する。
CNNのソフトマックス標準出力をディリクレ密度のパラメータに置き換えることで、モデルはトレーニング中のモデルパフォーマンスの改善に効率的に寄与するデータインスタンスを識別する。
公開データを用いたいくつかの実験で,本手法が最先端のalアプローチを一貫して上回っていることを実証した。
容易に実装でき、トレーニングのために広範な計算リソースを必要としない。
さらに,胸部X線写真における肺炎の視覚信号の自動検出の分野では,実世界の医療利用に対するアプローチの利点を示すことができる。
関連論文リスト
- Fuzzy Convolution Neural Networks for Tabular Data Classification [0.0]
畳み込みニューラルネットワーク(CNN)は、様々な領域における顕著な性能のために、多くの注目を集めている。
本稿では,表データに適したファジィ畳み込みニューラルネットワーク(FCNN)を提案する。
論文 参考訳（メタデータ） (2024-06-04T20:33:35Z) - GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。
近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。
本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
論文 参考訳（メタデータ） (2024-01-10T08:37:39Z) - Efficient Testing of Deep Neural Networks via Decision Boundary Analysis [28.868479656437145]
我々は、新しいラベルのないデータに基づいてDNNの性能を推定できるAriesという新しい手法を提案する。
Aries による推定精度は 0.03% -- 2.60% (平均 0.61%) しか真の精度から外れていない。
論文 参考訳（メタデータ） (2022-07-22T08:39:10Z) - Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。
NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。
我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-23T09:35:03Z) - CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。
我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文 参考訳（メタデータ） (2021-10-29T18:41:15Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - MetAL: Active Semi-Supervised Learning on Graphs via Meta Learning [2.903711704663904]
分類モデルの将来の性能を直接改善する未ラベルのインスタンスを選択するためのALアプローチであるMetALを提案する。
我々は、MetALが既存の最先端ALアルゴリズムより効率良く優れていることを示す。
論文 参考訳（メタデータ） (2020-07-22T06:59:49Z) - Deep Active Learning via Open Set Recognition [0.0]
多くのアプリケーションでは、データは簡単に取得できるが、顕著な例を示すのに高価で時間がかかる。
オープンセット認識問題として能動的学習を定式化する。
現在のアクティブな学習方法とは異なり、我々のアルゴリズムはタスクラベルを必要とせずにタスクを学習することができる。
論文 参考訳（メタデータ） (2020-07-04T22:09:17Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z) - Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。
提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
論文 参考訳（メタデータ） (2020-02-11T21:08:06Z)
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。