論文の概要: Alpha Net: Adaptation with Composition in Classifier Space

• arxiv url: http://arxiv.org/abs/2008.07073v1
• Date: Mon, 17 Aug 2020 03:31:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 03:52:08.108171
• Title: Alpha Net: Adaptation with Composition in Classifier Space
• Title（参考訳）: Alpha Net: 分類空間におけるコンポジションによる適応
• Authors: Nadine Chang, Jayanth Koushik, Michael J. Tarr, Martial Hebert, Yu-Xiong Wang
• Abstract要約: ディープラーニングの分類モデルは通常、少数のサンプルを持つクラスで不十分なトレーニングを行う。 分類された空間における知識の伝達はより効率的かつ効果的であることを示す。 私たちは、"テール"カテゴリーにおける最先端のパフォーマンスを、最大12.6%のマージンで劇的に改善することができます。
• 参考スコア（独自算出の注目度）: 32.513045982860795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning classification models typically train poorly on classes with small numbers of examples. Motivated by the human ability to solve this task, models have been developed that transfer knowledge from classes with many examples to learn classes with few examples. Critically, the majority of these models transfer knowledge within model feature space. In this work, we demonstrate that transferring knowledge within classified space is more effective and efficient. Specifically, by linearly combining strong nearest neighbor classifiers along with a weak classifier, we are able to compose a stronger classifier. Uniquely, our model can be implemented on top of any existing classification model that includes a classifier layer. We showcase the success of our approach in the task of long-tailed recognition, whereby the classes with few examples, otherwise known as the "tail" classes, suffer the most in performance and are the most challenging classes to learn. Using classifier-level knowledge transfer, we are able to drastically improve - by a margin as high as 12.6% - the state-of-the-art performance on the "tail" categories.
• Abstract（参考訳）: ディープラーニングの分類モデルは通常、少数の例を持つクラスではあまり訓練されない。 この課題を解決する人間の能力に動機づけられ、多くの例を持つクラスから知識を移し、わずかな例でクラスを学ぶモデルが開発されている。 決定的に、これらのモデルの大半はモデル特徴空間内の知識を伝達する。 本研究では,分類空間内の知識の伝達がより効率的かつ効率的であることを実証する。 具体的には、強い近傍の分類器と弱い分類器を線形に組み合わせることで、より強い分類器を構成することができる。 ユニークなことに、我々のモデルは分類器層を含む既存の分類モデルの上に実装することができる。 そこでは,「尾」クラスと呼ばれるいくつかの例を持つクラスが,最もパフォーマンスに悩まされ,最も難易度の高いクラスである,長い尾の認識という課題において,我々のアプローチの成功を実証する。 分類器レベルの知識伝達を用いて、"テール"カテゴリーにおける最先端のパフォーマンスを、最大12.6%のマージンで劇的に向上させることができる。

関連論文リスト

• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• Are Deep Sequence Classifiers Good at Non-Trivial Generalization? [4.941630596191806]
  バイナリシーケンス分類問題について検討し、異なる観点からモデルキャリブレーションを考察する。 対象クラスが稀な問題であるスパースシーケンス分類に注目し,3つのディープラーニングシーケンス分類モデルを比較した。 このバイナリ設定では、ディープラーニングモデルが、非自明な方法で基礎となるクラス分布を学習することができることが示唆されている。
  論文  参考訳（メタデータ） (2022-10-24T10:01:06Z)
• Long-tail Recognition via Compositional Knowledge Transfer [60.03764547406601]
  末尾クラスの少数ショット問題に対処する長尾認識のための新しい戦略を導入する。 我々の目標は、情報に富んだ共通クラスから得られた知識を、意味的に類似しているがデータに富む稀なクラスに伝達することである。 実験結果から,本手法は稀なクラスにおいて,堅牢な共通クラス性能を維持しつつ,大幅な性能向上を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-12-13T15:48:59Z)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)
• One vs Previous and Similar Classes Learning -- A Comparative Study [2.208242292882514]
  この研究は、トレーニングされたモデルをスクラッチから再トレーニングすることなく更新できる3つの学習パラダイムを提案する。 その結果、提案されたパラダイムは更新時のベースラインよりも高速であり、そのうち2つはスクラッチからのトレーニング、特に大規模なデータセットでも高速であることが示された。
  論文  参考訳（メタデータ） (2021-01-05T00:28:38Z)
• Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
  そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。 ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
  論文  参考訳（メタデータ） (2020-10-28T14:37:25Z)
• Feature Space Augmentation for Long-Tailed Data [74.65615132238291]
  実世界のデータは、各クラスの周波数が典型的に異なるため、長い尾の分布に従うことが多い。 データ再サンプリングと拡張に関するクラスバランス損失と高度な手法は、データの不均衡問題を解決するためのベストプラクティスのひとつです。 提案手法は,多種多様なサンプルを持つクラスから学習した特徴量を用いて,特徴空間における表現不足のクラスを増大させることによって,長鎖問題に対処する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-08-09T06:38:00Z)
• Rethinking Class-Balanced Methods for Long-Tailed Visual Recognition from a Domain Adaptation Perspective [98.70226503904402]
  現実世界のオブジェクトの周波数は、しばしば電力法則に従い、長い尾のクラス分布を持つデータセット間のミスマッチを引き起こす。 メタラーニング手法を用いて,クラス条件分布の違いを明示的に推定し,古典的なクラスバランス学習を強化することを提案する。
  論文  参考訳（メタデータ） (2020-03-24T11:28:42Z)

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。