論文の概要: An Overview of Deep Learning Architectures in Few-Shot Learning Domain
- arxiv url: http://arxiv.org/abs/2008.06365v4
- Date: Sun, 16 Apr 2023 05:27:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 02:08:58.015765
- Title: An Overview of Deep Learning Architectures in Few-Shot Learning Domain
- Title（参考訳）: ファウショット学習領域におけるディープラーニングアーキテクチャの概要
- Authors: Shruti Jadon, Aryan Jadon
- Abstract要約: Few-Shot Learning(ワンショットラーニング、Few-Shot Learning)は、機械学習のサブフィールドであり、少ないデータで望ましい目的を学習できるモデルを作成することを目的としている。
我々は、いくつかのショットラーニングに対するよく知られたディープラーニングベースのアプローチをレビューした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since 2012, Deep learning has revolutionized Artificial Intelligence and has
achieved state-of-the-art outcomes in different domains, ranging from Image
Classification to Speech Generation. Though it has many potentials, our current
architectures come with the pre-requisite of large amounts of data. Few-Shot
Learning (also known as one-shot learning) is a sub-field of machine learning
that aims to create such models that can learn the desired objective with less
data, similar to how humans learn. In this paper, we have reviewed some of the
well-known deep learning-based approaches towards few-shot learning. We have
discussed the recent achievements, challenges, and possibilities of improvement
of few-shot learning based deep learning architectures. Our aim for this paper
is threefold: (i) Give a brief introduction to deep learning architectures for
few-shot learning with pointers to core references. (ii) Indicate how deep
learning has been applied to the low-data regime, from data preparation to
model training. and, (iii) Provide a starting point for people interested in
experimenting and perhaps contributing to the field of few-shot learning by
pointing out some useful resources and open-source code. Our code is available
at Github: https://github.com/shruti-jadon/Hands-on-One-Shot-Learning.
- Abstract（参考訳）: 2012年以降、ディープラーニングは人工知能に革命をもたらし、画像分類から音声生成まで、さまざまな分野で最先端の成果を上げてきた。
多くの可能性を秘めていますが、現在のアーキテクチャには大量のデータの前提条件があります。
Few-Shot Learning(ワンショットラーニング、Few-Shot Learning)は、機械学習のサブフィールドであり、人間の学習方法と同様、少ないデータで望ましい目的を学習できるようなモデルを作成することを目的としている。
本稿では,近距離学習への深層学習に基づくアプローチについて概説する。
我々は,最近の成果,課題,および,数少ない学習ベースのディープラーニングアーキテクチャの改善の可能性について論じた。
本論文の目的は3つある。
(i)コア参照へのポインタによる数ショット学習のためのディープラーニングアーキテクチャの簡単な紹介。
2)データ準備からモデルトレーニングに至るまで,低データ体制にディープラーニングがどのように適用されたかを示す。
そして
(iii) 実験に興味のある人にとっては、有用なリソースやオープンソースコードを指摘して、おそらくは少数の学習の分野に貢献するための出発点となる。
私たちのコードはGithubで公開されている。
関連論文リスト
- Deep Learning with CNNs: A Compact Holistic Tutorial with Focus on Supervised Regression (Preprint) [0.0]
このチュートリアルは、畳み込みニューラルネットワーク(CNN)と教師付き回帰に焦点を当てている。
最も関連する概念を要約するだけでなく、それぞれを深く掘り下げて、完全なアジャイルのアイデアセットを提供する。
本チュートリアルは,Deep Learningの基礎を理解することに関心のある学生,教授,研究者にとって最適な情報源となることを目的としている。
論文 参考訳（メタデータ） (2024-08-22T11:34:34Z) - CDFSL-V: Cross-Domain Few-Shot Learning for Videos [58.37446811360741]
ビデオのアクション認識は、いくつかのラベル付き例でのみ、新しいカテゴリを認識するための効果的なアプローチである。
既存のビデオアクション認識の方法は、同じドメインからの大きなラベル付きデータセットに依存している。
本稿では,自己教師付き学習とカリキュラム学習を活用した,クロスドメインな数ショットビデオ行動認識手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T19:44:27Z) - Offline Handwritten Amharic Character Recognition Using Few-shot
Learning [4.243592852049962]
少数ショット学習を用いたオフライン手書きアンハリック文字認識に対処する。
行と列の類似性を持つアムハラ文字の性質を探求する機会を利用することで、トレーニングエピソードを増強する新たな方法が提案されている。
論文 参考訳（メタデータ） (2022-10-01T13:16:18Z) - Continual Learning with Deep Learning Methods in an Application-Oriented
Context [0.0]
人工知能(AI)の重要な研究領域は、データから知識を自動的に導出することである。
ディープニューラルネットワーク(Deep Neural Networks, DNN)と呼ばれる、"ディープラーニング"モデルに分類される機械学習アルゴリズムの一種。
DNNは、新しい知識が既存のベースに追加されるのを防ぐ問題の影響を受けます。
論文 参考訳（メタデータ） (2022-07-12T10:13:33Z) - Self-Supervised Learning for Videos: A Survey [70.37277191524755]
自己教師型学習は、画像ドメインとビデオドメインの両方で有望である。
本稿では,ビデオ領域に着目した自己教師型学習における既存のアプローチについて概観する。
論文 参考訳（メタデータ） (2022-06-18T00:26:52Z) - LibFewShot: A Comprehensive Library for Few-shot Learning [78.58842209282724]
近年,画像分類に注目が集まり,近年顕著な進歩が見られた。
近年の研究では、データ強化、事前学習、知識蒸留、自己超越といった多くの一般的な手法や技法が、数発の学習法の性能を大幅に向上させる可能性があることが暗黙的に示されている。
そこで本研究では,PyTorchに固有の単一言語を組み込んだ一貫したフレームワークにおいて,17の最先端の複数ショット学習手法を再実装することにより,小ショット学習のための総合ライブラリ(LibFewShot)を提案する。
論文 参考訳（メタデータ） (2021-09-10T14:12:37Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Interleaving Learning, with Application to Neural Architecture Search [12.317568257671427]
インターリーブ学習(IL)と呼ばれる新しい機械学習フレームワークを提案する。
私たちのフレームワークでは、一連のモデルが相互に連携してデータエンコーダを学習します。
CIFAR-10, CIFAR-100, ImageNetの画像分類にインターリービング学習を適用した。
論文 参考訳（メタデータ） (2021-03-12T00:54:22Z) - Knowledge Efficient Deep Learning for Natural Language Processing [2.2701338128113124]
この論文は、現代のディープラーニングモデルとアルゴリズムに古典的手法を適用することに焦点を当てている。
まず,事前知識を深層モデルに組み込むための統合学習フレームワークとして,知識豊富な深層学習モデル(KRDL)を提案する。
第2に,KRDLモデルを機械読解モデルに応用し,その決定を裏付ける正しい証拠文を見つける。
論文 参考訳（メタデータ） (2020-08-28T23:32:33Z) - Self-supervised Knowledge Distillation for Few-shot Learning [123.10294801296926]
少数のサンプルだけで秩序分布から素早く学習できるため、ショットラーニングは有望な学習パラダイムである。
数ショットの学習タスクにおいて,深層ニューラルネットワークの表現能力を向上させるための簡単な手法を提案する。
実験により、第一段階においても、自己超越は現在の最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2020-06-17T11:27:00Z) - Rethinking Few-Shot Image Classification: a Good Embedding Is All You
Need? [72.00712736992618]
メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。
追加の増量は自己蒸留によって達成できる。
我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
論文 参考訳（メタデータ） (2020-03-25T17:58:42Z)
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。