論文の概要: Using Unlabeled Data for Increasing Low-Shot Classification Accuracy of Relevant and Open-Set Irrelevant Images

• arxiv url: http://arxiv.org/abs/2010.00721v2
• Date: Fri, 3 Jun 2022 18:59:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 07:36:05.400403
• Title: Using Unlabeled Data for Increasing Low-Shot Classification Accuracy of Relevant and Open-Set Irrelevant Images
• Title（参考訳）: ラベル付きデータを用いた関連画像と非関連画像の低ショット分類精度の向上
• Authors: Spiridon Kasapis, Geng Zhang, Jonathon Smereka and Nickolas Vlahopoulos
• Abstract要約: 自動運転車による探索,探索,偵察作業には,画像分類機能が必要である。 学習中に,各関連クラスに対して,ラベル付き画像の控えめな数を使用する,オープンセットのローショット分類器を提案する。 関連するクラスから画像を識別し、候補画像が無関係かどうかを判断し、トレーニングに含まれていない無関係画像のカテゴリをさらに認識することができる。
• 参考スコア（独自算出の注目度）: 0.4110108749051655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In search, exploration, and reconnaissance tasks performed with autonomous ground vehicles, an image classification capability is needed for specifically identifying targeted objects (relevant classes) and at the same time recognize when a candidate image does not belong to anyone of the relevant classes (irrelevant images). In this paper, we present an open-set low-shot classifier that uses, during its training, a modest number (less than 40) of labeled images for each relevant class, and unlabeled irrelevant images that are randomly selected at each epoch of the training process. The new classifier is capable of identifying images from the relevant classes, determining when a candidate image is irrelevant, and it can further recognize categories of irrelevant images that were not included in the training (unseen). The proposed low-shot classifier can be attached as a top layer to any pre-trained feature extractor when constructing a Convolutional Neural Network.
• Abstract（参考訳）: 自律地上車両による探索、探査、偵察のタスクでは、対象対象(関連クラス)を特異的に識別すると同時に、候補画像が関連クラス(関連しない画像)の誰に属さない場合にも認識する画像分類能力が必要である。 本稿では,学習期間中に,関連クラス毎にラベル付き画像のモデスト数(40未満)と,トレーニングプロセスの各エポックでランダムに選択される無関係画像を用いて,オープンセットのローショット分類器を提案する。 新たな分類器は、関連するクラスから画像を識別し、候補画像が無関係であるかを判断し、トレーニングに含まれていない無関係画像のカテゴリをさらに認識することができる。 提案するローショット分類器は、畳み込みニューラルネットワークを構築する際に、事前訓練された特徴抽出器の上位層としてアタッチできる。

関連論文リスト

• Image-free Classifier Injection for Zero-Shot Classification [72.66409483088995]
  ゼロショット学習モデルは、訓練中に見られなかったクラスからのサンプルのイメージ分類において顕著な結果が得られる。 我々は,画像データを用いることなく,ゼロショット分類機能を備えた事前学習モデルの装備を目指す。 提案したイメージフリーインジェクション・ウィズ・セマンティックス (ICIS) でこれを実現する。
  論文  参考訳（メタデータ） (2023-08-21T09:56:48Z)
• Few-shot Open-set Recognition Using Background as Unknowns [58.04165813493666]
  未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。 提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
  論文  参考訳（メタデータ） (2022-07-19T04:19:29Z)
• Deep reinforced active learning for multi-class image classification [0.0]
  高精度な医用画像分類は、既存の画像のラベル付けに必要な時間と専門知識だけでなく、より多くのデータを取得するコストによって制限される。 本研究では,医療画像分類にアクティブラーニングを適用し,より大規模なデータプールから最小限のサブセット上でのモデル性能を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-20T09:30:55Z)
• Generalized Category Discovery [148.32255950504182]
  本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。 ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。 まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。 次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
  論文  参考訳（メタデータ） (2022-01-07T18:58:35Z)
• Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
  Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。 本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:46:41Z)
• AutoNovel: Automatically Discovering and Learning Novel Visual Categories [138.80332861066287]
  本稿では,他のクラスをラベル付けしたイメージコレクションにおける新しいクラス発見問題に対処するため,AutoNovelと呼ばれる新しいアプローチを提案する。 我々はAutoNovelを標準分類ベンチマークで評価し、新しいカテゴリー発見の手法をかなり上回っている。
  論文  参考訳（メタデータ） (2021-06-29T11:12:16Z)
• Prototypical Region Proposal Networks for Few-Shot Localization and Classification [1.5100087942838936]
  分割と分類をエンドツーエンドの分類モデルであるPRoPnetに統一するフレームワークを開発する。 本手法は,複数のオブジェクトクラスを含む自然シーンを用いた画像データセットの精度向上を実証した。
  論文  参考訳（メタデータ） (2021-04-08T04:03:30Z)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)
• Deep Learning Classification With Noisy Labels [1.433758865948252]
  我々は,多数の摂動子に曝露しながら,身元を閉じたアクター識別のための顔認識システムを訓練する。 我々は,顔認識への関心とは別に,ディープラーニング分類器を訓練する際のノイズの多いアノテーションの管理方法に関する最近の研究をレビューした。
  論文  参考訳（メタデータ） (2020-04-23T13:02:45Z)
• Relevance Prediction from Eye-movements Using Semi-interpretable Convolutional Neural Networks [9.007191808968242]
  眼球運動からテキスト文書の認識関連性を予測するための画像分類手法を提案する。 視線追跡調査では、参加者は短いニュース記事を読み、引き金の質問に答えるために関連性または無関係であると評価した。 参加者の眼球運動スキャンパスを画像としてエンコードし、これらのスキャンパス画像を用いて畳み込みニューラルネットワーク分類器を訓練する。
  論文  参考訳（メタデータ） (2020-01-15T07:02:14Z)

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。