論文の概要: HASeparator: Hyperplane-Assisted Softmax

• arxiv url: http://arxiv.org/abs/2008.03539v1
• Date: Sat, 8 Aug 2020 15:24:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 11:39:08.136206
• Title: HASeparator: Hyperplane-Assisted Softmax
• Title（参考訳）: haseparator: 超平面支援ソフトマックス
• Authors: Ioannis Kansizoglou, Nicholas Santavas, Loukas Bampis and Antonios Gasteratos
• Abstract要約: 特徴学習は, 組込みを抽出し, クラス間で高い差別性を示すCNNモデルと, クラス内コンパクト性を実現することを目的としている。 本稿では,クラスを効果的に分離した超平面型セグメンテーションに着目したセパレータを新たに導入する。 ハイパプレーン支援ソフトマックスセパレータ(HAセパレータ)と呼ばれるイノベーティブセパレータが提案され、優れた識別能力を示す。
• 参考スコア（独自算出の注目度）: 2.4584185354792694
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Efficient feature learning with Convolutional Neural Networks (CNNs) constitutes an increasingly imperative property since several challenging tasks of computer vision tend to require cascade schemes and modalities fusion. Feature learning aims at CNN models capable of extracting embeddings, exhibiting high discrimination among the different classes, as well as intra-class compactness. In this paper, a novel approach is introduced that has separator, which focuses on an effective hyperplane-based segregation of the classes instead of the common class centers separation scheme. Accordingly, an innovatory separator, namely the Hyperplane-Assisted Softmax separator (HASeparator), is proposed that demonstrates superior discrimination capabilities, as evaluated on popular image classification benchmarks.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)による効率的な特徴学習は、コンピュータビジョンのいくつかの挑戦的なタスクがカスケードスキームとモダリティ融合を必要とする傾向にあるため、ますます命令性を高めている。 特徴学習は、埋め込みを抽出し、異なるクラス間で高い識別を示し、クラス内コンパクト性を示すcnnモデルを目指している。 本稿では,クラス中心分離スキームではなく,効果的なハイパープレーンに基づくクラス分離に焦点を当てたセパレータを用いた新しいアプローチを提案する。 そこで, 一般的な画像分類ベンチマークで評価されるように, 優れた識別能力を示す超平面支援ソフトマックス分離器(haseparator)を提案する。

関連論文リスト

• Hyperbolic Image-and-Pointcloud Contrastive Learning for 3D Classification [14.439996427728483]
  双曲型画像・ポイントクラウドコントラスト学習法(HyperIPC)を提案する。 モジュラー内分岐に対しては、点雲の双曲的埋め込み表現を探索するために、本質的な幾何学的構造に依存する。 クロスモーダルブランチでは、画像を利用してポイントクラウドをガイドし、強力なセマンティック階層的相関を確立する。
  論文  参考訳（メタデータ） (2024-09-24T07:13:37Z)
• Data-free Knowledge Distillation for Fine-grained Visual Categorization [9.969720644789781]
  本稿では,DFKDを細粒度視覚分類(FGVC)タスクに拡張するDFKD-FGVCという手法を提案する。 本研究では,広く使用されている3つのFGVCベンチマーク(Aircraft,Cars196,CUB200)に対するアプローチを評価し,その性能を実証した。
  論文  参考訳（メタデータ） (2024-04-18T09:44:56Z)
• Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
  統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。 マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。 MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
  論文  参考訳（メタデータ） (2024-03-21T08:08:31Z)
• MISS: Multiclass Interpretable Scoring Systems [13.902264070785986]
  MISS(Multiclass Interpretable Scoring Systems)構築のための機械学習手法を提案する。 MISSは、シングルクラス、スパース、ユーザフレンドリーなスコアリングシステムのための、完全なデータ駆動の方法論である。 結果から,本手法は他の機械学習モデルと性能指標の分類において競合し,高い校正率のクラス確率が得られたことが示唆された。
  論文  参考訳（メタデータ） (2024-01-10T10:57:12Z)
• Multi-class Support Vector Machine with Maximizing Minimum Margin [67.51047882637688]
  Support Vector Machine (SVM) は、パターン認識タスクに広く応用されている機械学習技術である。 本稿では,クラス損失のペア化と最小マージンの最大化を両立するマルチクラスSVMの新たな手法を提案する。 実験により,提案手法の有効性と優位性を示す。
  論文  参考訳（メタデータ） (2023-12-11T18:09:55Z)
• CoinSeg: Contrast Inter- and Intra- Class Representations for Incremental Segmentation [85.13209973293229]
  クラスインクリメンタルセマンティックセグメンテーションは、モデルの安定性と可塑性のバランスをとることを目的としている。 インクリメンタル(CoinSeg)のためのコントラスト間およびクラス内表現を提案する。
  論文  参考訳（メタデータ） (2023-10-10T07:08:49Z)
• Feature Selection using Sparse Adaptive Bottleneck Centroid-Encoder [1.2487990897680423]
  2つ以上のクラスで識別される特徴を決定するために,新しい非線形モデル SABCE (Sparse Adaptive Bottleneckid-Encoder) を導入する。 このアルゴリズムは、高次元生物学的、画像、音声、加速度センサデータなど、様々な実世界のデータセットに適用される。
  論文  参考訳（メタデータ） (2023-06-07T21:37:21Z)
• A Hybrid of Generative and Discriminative Models Based on the Gaussian-coupled Softmax Layer [5.33024001730262]
  本稿では,1つのニューラルネットワークにおける識別モデルと生成モデルのハイブリッドを学習する手法を提案する。 提案手法を半教師付き学習と信頼性校正に適用できることを実証する。
  論文  参考訳（メタデータ） (2023-05-10T05:48:22Z)
• MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
  近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。 本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。 特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
  論文  参考訳（メタデータ） (2021-07-23T06:57:08Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
  そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。 フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
  論文  参考訳（メタデータ） (2020-04-01T19:05:28Z)

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。