論文の概要: Dataset Bias in Few-shot Image Recognition

• arxiv url: http://arxiv.org/abs/2008.07960v3
• Date: Tue, 16 Mar 2021 03:23:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 21:49:54.284925
• Title: Dataset Bias in Few-shot Image Recognition
• Title（参考訳）: 画像認識におけるデータセットバイアス
• Authors: Shuqiang Jiang, Yaohui Zhu, Chenlong Liu, Xinhang Song, Xiangyang Li, and Weiqing Min
• Abstract要約: まず,基本カテゴリから学習した伝達可能能力の影響について検討する。 第2に、データセット構造と異なる少数ショット学習方法から、異なるデータセットのパフォーマンス差について検討する。
• 参考スコア（独自算出の注目度）: 57.25445414402398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of few-shot image recognition (FSIR) is to identify novel categories with a small number of annotated samples by exploiting transferable knowledge from training data (base categories). Most current studies assume that the transferable knowledge can be well used to identify novel categories. However, such transferable capability may be impacted by the dataset bias, and this problem has rarely been investigated before. Besides, most of few-shot learning methods are biased to different datasets, which is also an important issue that needs to be investigated deeply. In this paper, we first investigate the impact of transferable capabilities learned from base categories. Specifically, we use the relevance to measure relationships between base categories and novel categories. Distributions of base categories are depicted via the instance density and category diversity. The FSIR model learns better transferable knowledge from relevant training data. In the relevant data, dense instances or diverse categories can further enrich the learned knowledge. Experimental results on different sub-datasets of ImagNet demonstrate category relevance, instance density and category diversity can depict transferable bias from base categories. Second, we investigate performance differences on different datasets from dataset structures and different few-shot learning methods. Specifically, we introduce image complexity, intra-concept visual consistency, and inter-concept visual similarity to quantify characteristics of dataset structures. We use these quantitative characteristics and four few-shot learning methods to analyze performance differences on five different datasets. Based on the experimental analysis, some insightful observations are obtained from the perspective of both dataset structures and few-shot learning methods. We hope these observations are useful to guide future FSIR research.
• Abstract（参考訳）: few-shot image recognition(fsir)の目的は、トレーニングデータ(ベースカテゴリ)から転送可能な知識を活用し、少数の注釈付きサンプルで新しいカテゴリを特定することである。 ほとんどの研究は、伝達可能な知識は、新しいカテゴリーを特定するのによく用いられると仮定している。 しかし、このような転送能力はデータセットバイアスに影響される可能性があり、この問題はこれまでほとんど研究されていない。 さらに、数少ない学習方法のほとんどは、異なるデータセットに偏っているため、深く調査する必要がある重要な問題でもある。 本稿では,まず,ベースカテゴリから学習した伝達能力の影響について検討する。 具体的には,その関連性を利用して,基本カテゴリと新規カテゴリの関係を測定する。 基本カテゴリの分布は、インスタンス密度とカテゴリの多様性によって表される。 FSIRモデルは、関連するトレーニングデータからより良い伝達可能な知識を学習する。 関連するデータでは、密接なインスタンスやカテゴリが学習した知識をさらに豊かにすることができる。 ImagNetの異なるサブデータセットに対する実験結果から、カテゴリの関連性、インスタンス密度、カテゴリの多様性は、ベースカテゴリからの転送可能なバイアスを示す。 第2に,データセット構造とマイズショット学習方法の違いによるデータセットの性能差について検討する。 具体的には、画像複雑性、概念内一貫性、概念間類似性を導入し、データセット構造の特徴を定量化する。 これらの量的特徴と4つの数発学習法を用いて,5つの異なるデータセットの性能差を分析した。 実験結果から,データセット構造とマイナショット学習法の両方の観点から,いくつかの洞察的な観察を得た。 これらの観測が将来のFSIR研究を導くのに役立つことを願っている。

関連論文リスト

• Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
  知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。 まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。 カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
  論文  参考訳（メタデータ） (2024-10-18T03:31:00Z)
• Learning Exemplar Representations in Single-Trial EEG Category Decoding [0.0]
  一つのオブジェクトに関する試行がトレーニングセットとテストセットの両方に現れると、ほとんどすべての分類アルゴリズムがカテゴリラベルのみを与えられたオブジェクトの表現を学習できることを示す。 我々は、単純な分類アルゴリズムと高度なディープラーニングモデルの両方の能力を示し、カテゴリラベルのみを与えられたオブジェクト表現を学習する。
  論文  参考訳（メタデータ） (2024-05-31T18:51:10Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)
• PK-GCN: Prior Knowledge Assisted Image Classification using Graph Convolution Networks [3.4129083593356433]
  クラス間の類似性は、分類のパフォーマンスに影響を与える可能性がある。 本稿では,クラス類似性の知識を畳み込みニューラルネットワークモデルに組み込む手法を提案する。 実験結果から, 利用可能なデータの量が少ない場合には, 分類精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2020-09-24T18:31:35Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)
• Impact of base dataset design on few-shot image classification [33.31817928613412]
  本研究では,異なる画像集合上で訓練された深部特徴を,数ショットの分類設定で評価することにより,トレーニングデータの変動の影響を系統的に研究する。 簡単なベースラインをアートアルゴリズムの先進的な状態に置き換えるよりも,数ショットの分類において,ベースデータセット設計がパフォーマンスを劇的に向上させることを示す。
  論文  参考訳（メタデータ） (2020-07-17T09:58:50Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)
• Learning to Compare Relation: Semantic Alignment for Few-Shot Learning [48.463122399494175]
  本稿では,コンテンツアライメントに頑健な関係を比較するための新しいセマンティックアライメントモデルを提案する。 数ショットの学習データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2020-02-29T08:37:02Z)

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。