論文の概要: A Boundary Based Out-of-Distribution Classifier for Generalized Zero-Shot Learning

• arxiv url: http://arxiv.org/abs/2008.04872v2
• Date: Mon, 3 Jan 2022 09:00:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 04:36:11.817628
• Title: A Boundary Based Out-of-Distribution Classifier for Generalized Zero-Shot Learning
• Title（参考訳）: 一般化ゼロショット学習のための境界ベース分布外分類器
• Authors: Xingyu Chen, Xuguang Lan, Fuchun Sun, Nanning Zheng
• Abstract要約: Generalized Zero-Shot Learning (GZSL)は多くの現実的なシナリオにおいて有望な見通しを持つ挑戦的なトピックである。 本研究では,見知らぬ領域を学習用サンプルのみを用いて分類する境界に基づくアウト・オブ・ディストリビューション(OOD)分類器を提案する。 我々は、AWA1、AWA2、CUB、FLO、SUNを含む5つの人気のあるベンチマークデータセットに対して、我々のアプローチを広範囲に検証する。
• 参考スコア（独自算出の注目度）: 83.1490247844899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalized Zero-Shot Learning (GZSL) is a challenging topic that has promising prospects in many realistic scenarios. Using a gating mechanism that discriminates the unseen samples from the seen samples can decompose the GZSL problem to a conventional Zero-Shot Learning (ZSL) problem and a supervised classification problem. However, training the gate is usually challenging due to the lack of data in the unseen domain. To resolve this problem, in this paper, we propose a boundary based Out-of-Distribution (OOD) classifier which classifies the unseen and seen domains by only using seen samples for training. First, we learn a shared latent space on a unit hyper-sphere where the latent distributions of visual features and semantic attributes are aligned class-wisely. Then we find the boundary and the center of the manifold for each class. By leveraging the class centers and boundaries, the unseen samples can be separated from the seen samples. After that, we use two experts to classify the seen and unseen samples separately. We extensively validate our approach on five popular benchmark datasets including AWA1, AWA2, CUB, FLO and SUN. The experimental results demonstrate the advantages of our approach over state-of-the-art methods.
• Abstract（参考訳）: 一般化ゼロショット学習(gzsl)は多くの現実的なシナリオにおいて有望な課題である。 観察したサンプルから未検出サンプルを判別するゲーティング機構を使用することで、gzsl問題を従来のゼロショット学習(zsl)問題と教師付き分類問題とに分解することができる。 しかし、通常、ゲートのトレーニングは、見当たらないドメインにデータがないため、難しい。 この問題を解決するために,本論文では,未確認領域を学習用サンプルのみを用いて分類する境界ベースのアウト・オブ・ディストリビューション(OOD)分類器を提案する。 まず,視覚特徴と意味属性の潜在分布がクラスごとに整列される単位超球上の共有潜在空間を学習する。 すると、各クラスに対する多様体の境界と中心を見つける。 クラスセンターとバウンダリを活用することで、目に見えないサンプルとサンプルを分離することができる。 その後、2人の専門家を使って、見つからないサンプルを別々に分類します。 我々は、AWA1、AWA2、CUB、FLO、SUNを含む5つの人気のあるベンチマークデータセットに対するアプローチを広く検証する。 実験の結果,最先端手法に対するアプローチの利点が示された。

関連論文リスト

• Universal Semi-Supervised Learning for Medical Image Classification [21.781201758182135]
  セミ教師付き学習(SSL)は、適切なラベル付きトレーニングデータを収集するコストを削減できるため、多くの注目を集めている。 従来のSSLは、ラベル付きデータとラベルなしデータが同じディストリビューションのものであるべきだという仮定に基づいて構築されている。 本研究では,未表示のラベル付きデータを利用した半教師付き医療画像分類のための統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-08T16:12:36Z)
• Federated Zero-Shot Learning for Visual Recognition [55.65879596326147]
  本稿では,Federated Zero-Shot Learning FedZSLフレームワークを提案する。 FedZSLは、エッジデバイス上の分散データから中心的なモデルを学ぶ。 FedZSLの有効性と堅牢性は、3つのゼロショットベンチマークデータセットで実施された広範な実験によって実証された。
  論文  参考訳（メタデータ） (2022-09-05T14:49:34Z)
• Centrality and Consistency: Two-Stage Clean Samples Identification for Learning with Instance-Dependent Noisy Labels [87.48541631675889]
  本稿では,2段階のクリーンサンプル識別手法を提案する。 まず,クリーンサンプルの早期同定にクラスレベルの特徴クラスタリング手法を用いる。 次に, 基底真理クラス境界に近い残余のクリーンサンプルについて, 一貫性に基づく新しい分類法を提案する。
  論文  参考訳（メタデータ） (2022-07-29T04:54:57Z)
• Local overlap reduction procedure for dynamic ensemble selection [13.304462985219237]
  クラス不均衡は、分類モデルにおいて学習をより困難にすることで知られる特徴である。 分類過程における局所クラス重複の影響を最小限に抑えるDS手法を提案する。 実験の結果,提案手法はベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2022-06-16T21:31:05Z)
• Counterfactual Zero-Shot and Open-Set Visual Recognition [95.43275761833804]
  Zero-Shot Learning (ZSL) と Open-Set Recognition (OSR) の両方に対する新しい反実用フレームワークを提案する。 我々の考えは、目に見えないクラスのための生成されたサンプルは、しばしば真の分布から外れているという観察に由来する。 当社のフレームワークが見掛け/見当たらない不均衡を効果的に緩和し,全体的なパフォーマンスを大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-01T10:20:04Z)
• CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
  各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。 提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
  論文  参考訳（メタデータ） (2021-01-18T12:46:24Z)
• Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
  一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。 ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。 本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-09T05:21:27Z)
• Fuzziness-based Spatial-Spectral Class Discriminant Information Preserving Active Learning for Hyperspectral Image Classification [0.456877715768796]
  本研究では,局所的・グローバルな識別情報保存手法の内外におけるファジィに基づく空間スペクトルを提案する。 ベンチマークHSIデータセットによる実験結果から,FLG法が生成,極端学習機械,スパース多相ロジスティック回帰に与える影響が示された。
  論文  参考訳（メタデータ） (2020-05-28T18:58:11Z)
• From Anchor Generation to Distribution Alignment: Learning a Discriminative Embedding Space for Zero-Shot Recognition [46.47620562161315]
  ゼロショット学習(ZSL)では、分類されるサンプルは通常、属性などのサイド情報テンプレートに投影される。 我々は,DAGDA(Distriminative Anchor Generation and Distribution Alignment Model)と呼ばれる新しいフレームワークを提案する。 まず, 拡散型グラフ畳み込みネットワークを用いて, クラス情報と側情報の相互作用を明示的にモデル化し, 識別的アンカーを生成する手法を提案する。 第二に、アンカー空間におけるサンプルと対応するアンカーとをさらに整合させるため、細粒度に分布を洗練させることを目的として、意味的関係正則化を導入する。
  論文  参考訳（メタデータ） (2020-02-10T05:25:33Z)

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。