論文の概要: Data-driven Meta-set Based Fine-Grained Visual Classification

• arxiv url: http://arxiv.org/abs/2008.02438v1
• Date: Thu, 6 Aug 2020 03:04:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 07:46:53.065259
• Title: Data-driven Meta-set Based Fine-Grained Visual Classification
• Title（参考訳）: データ駆動型メタセットに基づく細粒度視覚分類
• Authors: Chuanyi Zhang, Yazhou Yao, Xiangbo Shu, Zechao Li, Zhenmin Tang, Qi Wu
• Abstract要約: 本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。 具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
• 参考スコア（独自算出の注目度）: 61.083706396575295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Constructing fine-grained image datasets typically requires domain-specific expert knowledge, which is not always available for crowd-sourcing platform annotators. Accordingly, learning directly from web images becomes an alternative method for fine-grained visual recognition. However, label noise in the web training set can severely degrade the model performance. To this end, we propose a data-driven meta-set based approach to deal with noisy web images for fine-grained recognition. Specifically, guided by a small amount of clean meta-set, we train a selection net in a meta-learning manner to distinguish in- and out-of-distribution noisy images. To further boost the robustness of model, we also learn a labeling net to correct the labels of in-distribution noisy data. In this way, our proposed method can alleviate the harmful effects caused by out-of-distribution noise and properly exploit the in-distribution noisy samples for training. Extensive experiments on three commonly used fine-grained datasets demonstrate that our approach is much superior to state-of-the-art noise-robust methods.
• Abstract（参考訳）: きめ細かい画像データセットを構築するには、一般的にドメイン固有の専門家の知識が必要です。 これにより、Web画像から直接学習することが、きめ細かい視覚認識の代替方法となる。 しかし、Webトレーニングセットのラベルノイズは、モデル性能を著しく劣化させる可能性がある。 そこで本研究では,難易度の高いWeb画像の粒度認識のための,データ駆動型メタセットに基づくアプローチを提案する。 具体的には、少量のクリーンなメタセットでガイドされ、選択ネットをメタラーニングで訓練し、非分布ノイズ画像の識別を行う。 モデルのロバスト性をさらに高めるために,分布内ノイズデータのラベルを補正するラベル付けネットも学習する。 そこで,提案手法は,分散ノイズによる有害な影響を軽減し,分布内ノイズを適切に活用してトレーニングを行う。 広範に使用される3つのきめ細かなデータセットに関する広範な実験は、我々のアプローチが最先端のノイズロバスト法よりも優れていることを示している。

関連論文リスト

• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Embedding contrastive unsupervised features to cluster in- and out-of-distribution noise in corrupted image datasets [18.19216557948184]
  Web画像検索に検索エンジンを使用することは、イメージデータセットを作成する際の手作業によるキュレーションに代わる誘惑的な手段である。 主な欠点は、回収された間違った(ノイズの多い)サンプルの割合である。 本稿では,教師なしのコントラスト特徴学習を用いた検出ステップから始める2段階のアルゴリズムを提案する。 比較学習のアライメントと均一性原理により,OODサンプルは単位超球面上のIDサンプルから線形に分離できることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T16:51:56Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
  特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。 合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
  論文  参考訳（メタデータ） (2022-02-04T15:46:27Z)
• Addressing out-of-distribution label noise in webly-labelled data [8.625286650577134]
  検索エンジンを用いたデータ収集とアノテーションは、完全に人間に注釈付けされたデータセットを生成するための単純な代替手段である。 ウェブクローリングは非常に時間がかかりますが、検索した画像のいくつかは必然的にノイズがあります。 Webから収集されたノイズの多いデータをトレーニングするための堅牢なアルゴリズムの設計は、重要な研究の観点である。
  論文  参考訳（メタデータ） (2021-10-26T13:38:50Z)
• Distilling effective supervision for robust medical image segmentation with noisy labels [21.68138582276142]
  本稿では,画素レベルと画像レベルの両方から効果的な監視情報を抽出することにより,ノイズラベルによるセグメント化に対処する新しい枠組みを提案する。 特に,各画素の不確かさを画素単位の雑音推定として明確に推定する。 画素レベルの学習を補完する画像レベルの頑健な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T13:33:38Z)
• Exploiting Web Images for Fine-Grained Visual Recognition by Eliminating Noisy Samples and Utilizing Hard Ones [60.07027312916081]
  トレーニング中に実世界のWeb画像から無関係なサンプルを除去するための新しいアプローチを提案します。 私達のアプローチはよりよい性能を達成するために無関係な騒々しいWebイメージおよび堅い例の有害な影響を緩和できます。
  論文  参考訳（メタデータ） (2021-01-23T03:58:10Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)

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。