論文の概要: Revisiting Mid-Level Patterns for Cross-Domain Few-Shot Recognition

• arxiv url: http://arxiv.org/abs/2008.03128v4
• Date: Mon, 1 Nov 2021 03:18:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 01:40:12.812514
• Title: Revisiting Mid-Level Patterns for Cross-Domain Few-Shot Recognition
• Title（参考訳）: クロスドメイン少数ショット認識のための中間レベルパターンの再検討
• Authors: Yixiong Zou, Shanghang Zhang, JianPeng Yu, Yonghong Tian, Jos\'e M. F. Moura
• Abstract要約: 汎用ドメインベースクラスから特殊ドメインノベルクラスに知識を移すために,クロスドメイン少ショット学習を提案する。 本稿では,新しいクラスがベースクラスから離れた領域にあるCDFSLの挑戦的なサブセットについて検討する。 本研究では,各サンプルの識別情報を学習するために,中程度の特徴を育成するための残差予測タスクを提案する。
• 参考スコア（独自算出の注目度）: 31.81367604846625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing few-shot learning (FSL) methods usually assume base classes and novel classes are from the same domain (in-domain setting). However, in practice, it may be infeasible to collect sufficient training samples for some special domains to construct base classes. To solve this problem, cross-domain FSL (CDFSL) is proposed very recently to transfer knowledge from general-domain base classes to special-domain novel classes. Existing CDFSL works mostly focus on transferring between near domains, while rarely consider transferring between distant domains, which is in practical need as any novel classes could appear in real-world applications, and is even more challenging. In this paper, we study a challenging subset of CDFSL where the novel classes are in distant domains from base classes, by revisiting the mid-level features, which are more transferable yet under-explored in main stream FSL work. To boost the discriminability of mid-level features, we propose a residual-prediction task to encourage mid-level features to learn discriminative information of each sample. Notably, such mechanism also benefits the in-domain FSL and CDFSL in near domains. Therefore, we provide two types of features for both cross- and in-domain FSL respectively, under the same training framework. Experiments under both settings on six public datasets, including two challenging medical datasets, validate the our rationale and demonstrate state-of-the-art performance. Code will be released.
• Abstract（参考訳）: 既存のマイノリティ・ショット・ラーニング(fsl)メソッドは通常ベースクラスを想定し、新しいクラスは同じドメイン(ドメイン内設定)からのものである。 しかし、実際には、いくつかの特別なドメインがベースクラスを構築するのに十分なトレーニングサンプルを集めることは不可能である。 この問題を解決するために, 一般ドメインベースクラスから特殊ドメイン新規クラスへ知識を転送するために, クロスドメインfsl (cdfsl) が最近提案されている。 既存のcdfslは主に近接ドメイン間の転送に重点を置いているが、実際のアプリケーションで新しいクラスが現れる場合、遠隔ドメイン間の転送を考えることは稀であり、さらに難しい。 本稿では,新しいクラスがベースクラスから離れた領域にあるcdfslの難解なサブセットを,メインストリームfsl作業においてより転送可能でありながら未検討である中レベルの特徴を再検討することで検討する。 中間レベルの特徴の識別性を高めるために,各サンプルの識別情報を学ぶために,中間レベルの特徴を奨励する残差予測タスクを提案する。 特に、このメカニズムはドメイン内のFSLやCDFSLに近いドメインでも有効である。 したがって、同じトレーニングフレームワークの下で、クロスドメインFSLとインドメインFSLの両方に2種類の機能を提供します。 2つの挑戦的な医療データセットを含む6つの公開データセットの両方の設定下での実験は、我々の理論的根拠を検証し、最先端のパフォーマンスを示す。 コードはリリースされる。

関連論文リスト

• ME-D2N: Multi-Expert Domain Decompositional Network for Cross-Domain Few-Shot Learning [95.78635058475439]
  クロスドメインのFew-Shot Learningは、異なるドメインにわたるFew-Shot Learning問題に対処することを目的としている。 本稿では,ME-D2N(Multi-Expert Domain Decompositional Network)を技術的に貢献する。 本稿では,学生モデルを2つの領域関連部分に分解する新しい領域分解モジュールを提案する。
  論文  参考訳（メタデータ） (2022-10-11T09:24:47Z)
• Cross-Domain Cross-Set Few-Shot Learning via Learning Compact and Aligned Representations [74.90423071048458]
  ほんの少しのサポートサンプルだけで、新しいクエリを認識できるようにすることを目的としている。 我々は、FSLにおけるドメインシフトの問題を検討し、サポートセットとクエリセットの間のドメインギャップに対処することを目的とする。 原型的コンパクト・クロスドメイン整列表現を学習するための新しいアプローチ,すなわちstabPAを提案する。
  論文  参考訳（メタデータ） (2022-07-16T03:40:38Z)
• Few-Shot Object Detection in Unseen Domains [4.36080478413575]
  Few-shot Object Detection (FSOD)は、データ制限のある新しいオブジェクトクラスを学ぶために近年発展している。 そこで本稿では,ドメイン固有の情報をすべて考慮し,新しいクラスを数枚追加する手法を提案する。 T-LESSデータセットを用いた実験により,提案手法はドメインギャップを著しく緩和することに成功した。
  論文  参考訳（メタデータ） (2022-04-11T13:16:41Z)
• A Strong Baseline for Semi-Supervised Incremental Few-Shot Learning [54.617688468341704]
  少ないショット学習は、限られたトレーニングサンプルを持つ新しいクラスに一般化するモデルを学ぶことを目的としている。 本研究では,(1)信頼できない擬似ラベルによる基本クラスと新クラスのあいまいさを緩和する高度に設計されたメタトレーニングアルゴリズム,(2)ラベルの少ないデータとラベルなしデータを用いて基礎知識を保ちながら,新クラスの識別的特徴を学習するモデル適応機構を提案する。
  論文  参考訳（メタデータ） (2021-10-21T13:25:52Z)
• Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation [91.58443042554903]
  FUDA(Unsupervised Domain Adaptation)のためのPCS(Prototypical Cross-Domain Self-Supervised Learning)フレームワークを提案する。 PCSは、クロスドメインのローレベルな機能アライメントを行うだけでなく、ドメイン間の共有埋め込み空間におけるセマンティック構造をエンコードおよびアライメントする。 最新の手法と比較して、pcsは、fuda上の異なるドメインペアの平均分類精度を10.5%、office、office-home、visda-2017、domainnetで3.5%、9.0%、13.2%改善している。
  論文  参考訳（メタデータ） (2021-03-31T02:07:42Z)
• Domain-Adaptive Few-Shot Learning [124.51420562201407]
  本稿では,ドメイン適応型少数ショット学習のための新しいドメイン・アドバイザリアル・ネットワーク(DAPN)モデルを提案する。 私たちのソリューションは、ドメイン適応型機能埋め込み学習の前に、ソース/ターゲットをクラスごとに明確に分離することです。
  論文  参考訳（メタデータ） (2020-03-19T08:31:14Z)
• Few-Shot Learning as Domain Adaptation: Algorithm and Analysis [120.75020271706978]
  わずかながらの学習は、目に見えないクラスを認識するために、目に見えないクラスから学んだ事前知識を使用する。 このクラス差による分布シフトは、ドメインシフトの特別なケースとみなすことができる。 メタラーニングフレームワークにおいて、そのようなドメインシフト問題に明示的に対処するために、注意を向けたプロトタイプドメイン適応ネットワーク(DAPNA)を提案する。
  論文  参考訳（メタデータ） (2020-02-06T01:04:53Z)

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。