論文の概要: Bounded Fuzzy Possibilistic Method of Critical Objects Processing in
Machine Learning
- arxiv url: http://arxiv.org/abs/2007.13077v1
- Date: Sun, 26 Jul 2020 08:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 19:36:59.539085
- Title: Bounded Fuzzy Possibilistic Method of Critical Objects Processing in
Machine Learning
- Title（参考訳）: 機械学習における臨界物体処理の有界なファジィポシビリスティック手法
- Authors: Hossein Yazdani
- Abstract要約: ファジィ確率法(英: Fuzzy Possibilistic Method、BFPM)は、前者や分類法がメンバーシップの割り当てにおいて十分に考慮されていない様々な問題に対処する。
ファジィな方法では、オブジェクトのメンバシップは 1 にまとめるべきである。
BFPMは、オブジェクトの動き解析のための柔軟な検索空間を提供する。
- 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: Unsatisfying accuracy of learning methods is mostly caused by omitting the
influence of important parameters such as membership assignments, type of data
objects, and distance or similarity functions. The proposed method, called
Bounded Fuzzy Possibilistic Method (BFPM) addresses different issues that
previous clustering or classification methods have not sufficiently considered
in their membership assignments. In fuzzy methods, the object's memberships
should sum to 1. Hence, any data object may obtain full membership in at most
one cluster or class. Possibilistic methods relax this condition, but the
method can be satisfied with the results even if just an arbitrary object
obtains the membership from just one cluster, which prevents the objects'
movement analysis. Whereas, BFPM differs from previous fuzzy and possibilistic
approaches by removing these restrictions. Furthermore, BFPM provides the
flexible search space for objects' movement analysis. Data objects are also
considered as fundamental keys in learning methods, and knowing the exact type
of objects results in providing a suitable environment for learning algorithms.
The Thesis introduces a new type of object, called critical, as well as
categorizing data objects into two different categories: structural-based and
behavioural-based. Critical objects are considered as causes of
miss-classification and miss-assignment in learning procedures. The Thesis also
proposes new methodologies to study the behaviour of critical objects with the
aim of evaluating objects' movements (mutation) from one cluster or class to
another. The Thesis also introduces a new type of feature, called dominant,
that is considered as one of the causes of miss-classification and
miss-assignments. Then the Thesis proposes new sets of similarity functions,
called Weighted Feature Distance (WFD) and Prioritized Weighted Feature
Distance (PWFD).
- Abstract（参考訳）: 学習手法の不満足な精度は、主に、メンバーシップの割り当て、データオブジェクトの種類、距離や類似性関数などの重要なパラメータの影響を省略することに起因する。
提案手法はBFPM(Bounded Fuzzy Possibilistic Method)と呼ばれ,従来のクラスタリング法や分類法では十分に考慮されていない問題に対処する。
ファジィメソッドでは、オブジェクトのメンバシップは 1 にまとめるべきである。
したがって、任意のデータオブジェクトは、少なくとも1つのクラスタまたはクラスで完全なメンバシップを得ることができる。
ポシビリスティックな手法はこの条件を緩和するが、任意のオブジェクトだけが1つのクラスタからメンバシップを取得しても結果に満足でき、オブジェクトの動き分析が妨げられる。
一方、BFPMはこれらの制限を取り除き、従来のファジィや確率論的アプローチとは異なる。
さらに、BFPMはオブジェクトの動き解析のための柔軟な検索空間を提供する。
データオブジェクトは、学習方法の基本的な鍵であり、オブジェクトの正確なタイプを知ることによって、学習アルゴリズムに適した環境を提供する。
Thesisでは、Criticalと呼ばれる新しいタイプのオブジェクトを導入し、データオブジェクトを構造ベースと行動ベースという2つのカテゴリに分類する。
クリティカルオブジェクトは、学習手順におけるミス分類とミス割り当ての原因とみなされる。
論文はまた、あるクラスタまたはクラスから他のクラスへのオブジェクトの動き(変化)を評価する目的で、重要なオブジェクトの振る舞いを研究する新しい手法も提案している。
テーゼはまた、ミス分類とミス割り当ての原因の1つと考えられている、支配的機能と呼ばれる新しいタイプの機能も導入している。
次に、Thesisは、Weighted Feature Distance (WFD) と Prioritized Weighted Feature Distance (PWFD) と呼ばれる新しい類似関数セットを提案する。
関連論文リスト
- Generating collective counterfactual explanations in score-based
classification via mathematical optimization [4.281723404774889]
インスタンスの反実的な説明は、このインスタンスを最小限に修正して、摂動インスタンスを望ましいクラスに分類する方法を示している。
カウンターファクト・アナリティクスの文献の多くは、単一インスタンスの単一カウントファクト・セッティングに焦点を当てている。
新規な数学的最適化モデルにより、興味ある群における各インスタンスに対する対実的説明を提供する。
論文 参考訳（メタデータ） (2023-10-19T15:18:42Z) - Cycle Consistency Driven Object Discovery [75.60399804639403]
本研究では,シーンの各オブジェクトが異なるスロットに関連付けられなければならない制約を明示的に最適化する手法を提案する。
これらの一貫性目標を既存のスロットベースのオブジェクト中心手法に統合することにより、オブジェクト発見性能を大幅に改善することを示す。
提案手法は,オブジェクト発見を改善するだけでなく,下流タスクのよりリッチな機能も提供することを示唆している。
論文 参考訳（メタデータ） (2023-06-03T21:49:06Z) - Local Region-to-Region Mapping-based Approach to Classify Articulated
Objects [2.3848738964230023]
本稿では, 登録型地域間マッピング手法を用いて, オブジェクトを明瞭あるいは剛性に分類する手法を提案する。
提案手法は, 高い精度で明瞭な物体と剛性の物体を分類することができる。
論文 参考訳（メタデータ） (2023-05-10T18:08:04Z) - Adaptive Base-class Suppression and Prior Guidance Network for One-Shot
Object Detection [9.44806128120871]
ワンショットオブジェクト検出(OSOD)は、クエリイメージによって指定された所定のカテゴリに対して、すべてのオブジェクトインスタンスを検出することを目的としている。
本稿では,BSPG(Base-class Suppression and Prior Guidance)ネットワークという新しいフレームワークを提案する。
具体的には,ベースクラス予測器を用いて,ベースクラスのオブジェクトを明示的に検出し,ベースクラス抑制モジュールによって適応的に除去する。
事前誘導モジュールは、非パラメトリックな方法で高レベルの特徴の相関を計算し、クラスに依存しない事前マップを生成し、目的の特徴にリッチなセマンティックな手がかりを与え、その後の検出プロセスを導くように設計されている。
論文 参考訳（メタデータ） (2023-03-24T19:04:30Z) - The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。
我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。
我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
論文 参考訳（メタデータ） (2022-03-10T23:35:00Z) - Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。
本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
論文 参考訳（メタデータ） (2021-12-21T17:10:21Z) - Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。
この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
論文 参考訳（メタデータ） (2021-08-15T14:36:02Z) - Class-agnostic Object Detection [16.97782147401037]
本稿では,オブジェクトのクラスに関係なくオブジェクトを検出することに焦点を当てた新しい問題として,クラスに依存しないオブジェクト検出を提案する。
具体的には、イメージ内のすべてのオブジェクトのバウンディングボックスを予測することであり、オブジェクトクラスではない。
本稿では,この領域における今後の研究を進めるために,クラス非依存検出器のベンチマークのためのトレーニングおよび評価プロトコルを提案する。
論文 参考訳（メタデータ） (2020-11-28T19:22:38Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳（メタデータ） (2020-11-17T09:39:42Z) - Linear Classifier Combination via Multiple Potential Functions [0.6091702876917279]
決定境界からクラスセントロイドまでの距離との距離に基づいてスコアリング関数を計算する新しい概念を提案する。
重要な性質は、提案されたスコア関数がすべての線形基底分類器に対して同じ性質を持つことである。
論文 参考訳（メタデータ） (2020-10-02T08:11:51Z) - A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。
提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。
本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
論文 参考訳（メタデータ） (2020-07-03T18:23:39Z)
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。