論文の概要: Acceleration of Large Margin Metric Learning for Nearest Neighbor
Classification Using Triplet Mining and Stratified Sampling
- arxiv url: http://arxiv.org/abs/2009.14244v1
- Date: Tue, 29 Sep 2020 18:24:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 05:08:03.763521
- Title: Acceleration of Large Margin Metric Learning for Nearest Neighbor
Classification Using Triplet Mining and Stratified Sampling
- Title（参考訳）: Triplet Mining と Stratified Smpling を用いた近隣分類のための大規模マージンメトリック学習の高速化
- Authors: Parisa Abdolrahim Poorheravi, Benyamin Ghojogh, Vincent Gaudet, Fakhri
Karray, Mark Crowley
- Abstract要約: 計量学習手法のいくつかは、アンカー陽性の三重項を用いた三重項学習に基づいている。
そこで本研究では,近隣の分類における大規模マージン計量学習のための3重項マイニング手法を提案する。
提案手法を3つの公開データセットで解析する。
- 参考スコア（独自算出の注目度）: 10.037628288395293
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metric learning is one of the techniques in manifold learning with the goal
of finding a projection subspace for increasing and decreasing the inter- and
intra-class variances, respectively. Some of the metric learning methods are
based on triplet learning with anchor-positive-negative triplets. Large margin
metric learning for nearest neighbor classification is one of the fundamental
methods to do this. Recently, Siamese networks have been introduced with the
triplet loss. Many triplet mining methods have been developed for Siamese
networks; however, these techniques have not been applied on the triplets of
large margin metric learning for nearest neighbor classification. In this work,
inspired by the mining methods for Siamese networks, we propose several triplet
mining techniques for large margin metric learning. Moreover, a hierarchical
approach is proposed, for acceleration and scalability of optimization, where
triplets are selected by stratified sampling in hierarchical hyper-spheres. We
analyze the proposed methods on three publicly available datasets, i.e., Fisher
Iris, ORL faces, and MNIST datasets.
- Abstract（参考訳）: 計量学習は多様体学習の技法の一つであり、それぞれクラス間分散とクラス内分散を増加・減少させる射影部分空間を見つけることを目的としている。
メトリック学習の手法のいくつかは、アンカー正負の三重項を持つ三重項学習に基づいている。
隣り合う分類のための大きなマージン計量学習は、これを行う基本的な方法の1つである。
近年,三重項損失を伴うシャム網が導入された。
シームズ・ネットワーク向けに多くのトリプルト・マイニング法が開発されているが、これらの手法は近隣の分類において大きなマージン計量学習のトリプルには適用されていない。
本研究では,シャム語ネットワークのマイニング手法に触発されて,大規模マージン計量学習のための三重項マイニング手法を提案する。
さらに,階層的超球面における階層化サンプリングにより三重項を選択する最適化の高速化と拡張性のための階層的手法を提案する。
提案手法を,フィッシャー・アイリス,ORL顔,MNISTデータセットの3つの公開データセット上で解析する。
関連論文リスト
- Scalable Deep Metric Learning on Attributed Graphs [10.092560681589578]
本研究では,深度測定と非偏差学習を併用したグラフ埋め込み手法を提案する。
マルチクラス損失関数に基づいて、半教師なし学習のためのDMTと教師なしケースのためのDMAT-iという2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-11-20T03:34:31Z) - Multi-threshold Deep Metric Learning for Facial Expression Recognition [60.26967776920412]
本稿では,難易度検証を回避する多閾値深度学習手法を提案する。
その結果,三重項損失のそれぞれの閾値は本質的にクラス間変動の特異な分布を決定することがわかった。
埋め込み層はスライスで構成されており、より情報的で差別的な特徴である。
論文 参考訳（メタデータ） (2024-06-24T08:27:31Z) - On Interpretable Approaches to Cluster, Classify and Represent
Multi-Subspace Data via Minimum Lossy Coding Length based on Rate-Distortion
Theory [0.0]
クラスタリング、分類、表現は、本質的な構造を持つ高次元データから学習する3つの基本的な目的である。
本稿では,3つの解釈可能なアプローチ,すなわち,最小ロッシー符号化長基準によるセグメンテーション(クラスタリング),最小インクリメンタル符号化長基準による分類,最大符号化レート削減基準による表現を紹介する。
論文 参考訳（メタデータ） (2023-02-21T01:15:08Z) - Intra-class Adaptive Augmentation with Neighbor Correction for Deep
Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。
クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。
本手法は,検索性能の最先端手法を3%～6%向上させる。
論文 参考訳（メタデータ） (2022-11-29T14:52:38Z) - LoOp: Looking for Optimal Hard Negative Embeddings for Deep Metric
Learning [17.571160136568455]
埋め込み空間における最適強陰性(LoOp)を求める新しい手法を提案する。
マイニング法とは違って, 最適硬質負を計算するために, 組込みの組込み間の空間全体を考慮した。
論文 参考訳（メタデータ） (2021-08-20T19:21:33Z) - Towards Interpretable Deep Metric Learning with Structural Matching [86.16700459215383]
より透過的な埋め込み学習のための深層解釈可能なメトリック学習(DIML)法を提案する。
本手法は,既製のバックボーンネットワークやメトリック学習手法に適用可能な,モデルに依存しない手法である。
我々は,CUB200-2011,Cars196,Stanford Online Productsの3つの大規模メトリクス学習ベンチマークで評価を行った。
論文 参考訳（メタデータ） (2021-08-12T17:59:09Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z) - Embedding Expansion: Augmentation in Embedding Space for Deep Metric
Learning [17.19890778916312]
本稿では、組込み拡張と呼ばれる、ペアベースのメートル法学習損失に対する組込み空間における拡張手法を提案する。
その単純さと柔軟性のために、モデルのサイズ、トレーニング速度、最適化の難しさに影響を与えることなく、既存のメトリック学習損失に使用できる。
論文 参考訳（メタデータ） (2020-03-05T11:43:17Z)
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。