論文の概要: iLGaCo: Incremental Learning of Gait Covariate Factors
- arxiv url: http://arxiv.org/abs/2008.13507v1
- Date: Mon, 31 Aug 2020 11:52:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 06:34:58.985303
- Title: iLGaCo: Incremental Learning of Gait Covariate Factors
- Title（参考訳）: iLGaCo: 歩行共変因子の増分学習
- Authors: Zihao Mu and Francisco M. Castro and Manuel J. Marin-Jimenez and
Nicolas Guil and Yan-ran Li and Shiqi Yu
- Abstract要約: ディープラーニングに基づく歩行認識アプローチは、トレーニングデータセット全体を使用してトレーニングされる。
我々は,iLGaCoを提案する。深層モデルをスクラッチから再学習することなく,新しい情報で更新することができる。
CASIA-Bデータセット上のiLGaCoを2つの段階的に評価した。
- 参考スコア（独自算出の注目度）: 18.069842199679535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gait is a popular biometric pattern used for identifying people based on
their way of walking. Traditionally, gait recognition approaches based on deep
learning are trained using the whole training dataset. In fact, if new data
(classes, view-points, walking conditions, etc.) need to be included, it is
necessary to re-train again the model with old and new data samples.
In this paper, we propose iLGaCo, the first incremental learning approach of
covariate factors for gait recognition, where the deep model can be updated
with new information without re-training it from scratch by using the whole
dataset. Instead, our approach performs a shorter training process with the new
data and a small subset of previous samples. This way, our model learns new
information while retaining previous knowledge.
We evaluate iLGaCo on CASIA-B dataset in two incremental ways: adding new
view-points and adding new walking conditions. In both cases, our results are
close to the classical `training-from-scratch' approach, obtaining a marginal
drop in accuracy ranging from 0.2% to 1.2%, what shows the efficacy of our
approach. In addition, the comparison of iLGaCo with other incremental learning
methods, such as LwF and iCarl, shows a significant improvement in accuracy,
between 6% and 15% depending on the experiment.
- Abstract（参考訳）: 歩行は、歩き方に基づいて人を識別するために使われる一般的な生体計測パターンである。
伝統的に、ディープラーニングに基づく歩行認識アプローチは、トレーニングデータセット全体を使用して訓練される。
実際、新しいデータ(クラス、ビューポイント、ウォーキング条件など)を含める必要がある場合、古いデータと新しいデータサンプルでモデルを再トレーニングする必要があります。
本稿では,歩行認識のための共変量因子を用いた最初の漸進学習手法であるilgacoを提案する。データセット全体を用いて,深層モデルをスクラッチから再トレーニングすることなく,新たな情報で更新することができる。
代わりに、我々のアプローチは、新しいデータと以前のサンプルの小さなサブセットを使って、より短いトレーニングプロセスを実行します。
このように、我々のモデルは以前の知識を維持しながら新しい情報を学ぶ。
我々は,casia-bデータセット上のilgacoについて,新たな視点の追加と新たな歩行条件の追加という,2つの段階的な評価を行った。
いずれの場合も,従来の ‘scratch-training-from-scratch' アプローチに近い結果であり,0.2% から 1.2% までの精度低下が得られた。
さらに、iLGaCoとLwFやiCarlのような他の漸進的な学習方法との比較では、実験によって6%から15%の精度が向上した。
関連論文リスト
- KAKURENBO: Adaptively Hiding Samples in Deep Neural Network Training [2.8804804517897935]
深層ニューラルネットワークのトレーニングにおいて,最も重要でないサンプルを隠蔽する手法を提案する。
我々は,学習プロセス全体への貢献に基づいて,与えられたエポックを除外するサンプルを適応的に見つける。
本手法は, ベースラインと比較して, 最大22%の精度でトレーニング時間を短縮できる。
論文 参考訳（メタデータ） (2023-10-16T06:19:29Z) - CILIATE: Towards Fairer Class-based Incremental Learning by Dataset and
Training Refinement [20.591583747291892]
我々は、CILがデータセットとアルゴリズムのバイアスの両方に悩まされていることを示す。
本稿では,CILにおけるデータセットとアルゴリズムバイアスを両立させる新しいフレームワークCILIATEを提案する。
CILIATEは最先端の手法と比較してCILの公正性を17.03%、22.46%、31.79%改善している。
論文 参考訳（メタデータ） (2023-04-09T12:10:39Z) - Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。
提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。
本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。
本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
論文 参考訳（メタデータ） (2022-10-11T20:20:20Z) - A Memory Transformer Network for Incremental Learning [64.0410375349852]
本研究では,モデルが学習する時間とともに,新しいデータクラスが観察される学習環境であるクラスインクリメンタルラーニングについて検討する。
素直な問題定式化にもかかわらず、クラス増分学習への分類モデルの素直な適用は、これまで見られたクラスの「破滅的な忘れ込み」をもたらす。
これは、過去のデータのサブセットをメモリバンクに保存し、将来のタスクをトレーニングする際の忘れの防止にそれを活用することで、破滅的な忘れの問題を克服するものだ。
論文 参考訳（メタデータ） (2022-10-10T08:27:28Z) - Invariance Learning in Deep Neural Networks with Differentiable Laplace
Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。
我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文 参考訳（メタデータ） (2022-02-22T02:51:11Z) - Learning Fast Sample Re-weighting Without Reward Data [41.92662851886547]
本稿では,新たな報酬データを必要としない学習ベース高速サンプル再重み付け手法を提案する。
実験により,提案手法は,ラベルノイズや長い尾の認識に関する芸術的状況と比較して,競争力のある結果が得られることを示した。
論文 参考訳（メタデータ） (2021-09-07T17:30:56Z) - Few-Shot Incremental Learning with Continually Evolved Classifiers [46.278573301326276]
Few-shot Class-Incremental Learning(FSCIL)は、いくつかのデータポイントから新しい概念を継続的に学習できる機械学習アルゴリズムの設計を目指している。
難点は、新しいクラスからの限られたデータが、重大な過度な問題を引き起こすだけでなく、破滅的な忘れの問題も悪化させることにある。
我々は,適応のための分類器間のコンテキスト情報を伝達するグラフモデルを用いた連続進化型cif(cec)を提案する。
論文 参考訳（メタデータ） (2021-04-07T10:54:51Z) - Graph Sampling Based Deep Metric Learning for Generalizable Person
Re-Identification [114.56752624945142]
我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。
大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
論文 参考訳（メタデータ） (2021-04-04T06:44:15Z) - 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) - Jigsaw Clustering for Unsupervised Visual Representation Learning [68.09280490213399]
本稿では,新しいjigsawクラスタリング・プレテキストタスクを提案する。
本手法は画像内情報と画像間情報の両方を利用する。
トレーニングバッチの半分しか使用されていない場合、コントラスト学習方法にも匹敵します。
論文 参考訳（メタデータ） (2021-04-01T08:09:26Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
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。