論文の概要: Learning Clusterable Visual Features for Zero-Shot Recognition

• arxiv url: http://arxiv.org/abs/2010.03245v2
• Date: Wed, 14 Oct 2020 17:34:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 23:39:42.870409
• Title: Learning Clusterable Visual Features for Zero-Shot Recognition
• Title（参考訳）: ゼロショット認識のためのクラスタブル視覚特徴の学習
• Authors: Jingyi Xu and Zhixin Shu and Dimitris Samaras
• Abstract要約: ゼロショット学習(ZSL)では、条件付きジェネレータが追加のトレーニング機能を生成するために広く使用されている。 本稿では,ZSL問題に対するクラスタリング可能な特徴を学習することを提案する。 SUN、CUB、AWA2データセットの実験では、以前の最先端ZSL結果よりも一貫した改善が見られた。
• 参考スコア（独自算出の注目度）: 38.8104394191698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In zero-shot learning (ZSL), conditional generators have been widely used to generate additional training features. These features can then be used to train the classifiers for testing data. However, some testing data are considered "hard" as they lie close to the decision boundaries and are prone to misclassification, leading to performance degradation for ZSL. In this paper, we propose to learn clusterable features for ZSL problems. Using a Conditional Variational Autoencoder (CVAE) as the feature generator, we project the original features to a new feature space supervised by an auxiliary classification loss. To further increase clusterability, we fine-tune the features using Gaussian similarity loss. The clusterable visual features are not only more suitable for CVAE reconstruction but are also more separable which improves classification accuracy. Moreover, we introduce Gaussian noise to enlarge the intra-class variance of the generated features, which helps to improve the classifier's robustness. Our experiments on SUN,CUB, and AWA2 datasets show consistent improvement over previous state-of-the-art ZSL results by a large margin. In addition to its effectiveness on zero-shot classification, experiments show that our method to increase feature clusterability benefits few-shot learning algorithms as well.
• Abstract（参考訳）: ゼロショット学習(ZSL)では、条件付きジェネレータが追加のトレーニング機能を生成するために広く使用されている。 これらの機能は、データをテストするための分類器のトレーニングに使用できる。 しかしながら、いくつかのテストデータは、決定境界に近く、誤分類される傾向があり、ZSLのパフォーマンス低下につながるため、"ハード"と見なされる。 本稿では,ZSL問題に対するクラスタリング可能な特徴を学習することを提案する。 条件付き変分オートエンコーダ (cvae) を特徴生成器として使用し, 特徴を補助的分類損失によって管理される新しい特徴空間に投影する。 クラスタ性をさらに高めるため、ガウス類似性損失を用いて機能を微調整する。 クラスタブルな視覚特徴はCVAE再構成に適合するだけでなく、分類精度を向上させるために分離性も高い。 さらに,生成した特徴のクラス内分散を増大させるためにガウス雑音を導入することにより,分類器のロバスト性を向上させる。 SUN,CUB,AWA2のデータセットに対する実験により,従来のZSL結果よりも一貫した改善が得られた。 ゼロショット分類の有効性に加えて,特徴クラスタビリティを向上させる手法が,少数ショット学習アルゴリズムにも有効であることを示す。

関連論文リスト

• A Feature Generator for Few-Shot Learning [2.4500728886415137]
  少ないショットラーニングは、ラベル付きデータに制限のある新しいオブジェクトやクラスをモデルが認識できるようにすることを目的としている。 クラスレベルのテキスト記述から視覚的特徴を生成する機能ジェネレータを導入する。 その結果,ベースライン法よりも精度が向上した。
  論文  参考訳（メタデータ） (2024-09-21T13:31:12Z)
• Exploring Data Efficiency in Zero-Shot Learning with Diffusion Models [38.36200871549062]
  Zero-Shot Learning (ZSL) は、クラスレベルでのデータ効率を向上させることで、分類器が見えないクラスを識別できるようにすることを目的としている。 これは、未確認クラスの事前に定義されたセマンティクスから画像特徴を生成することで実現される。 本稿では,限られた例が一般的に生成モデルの性能低下をもたらすことを示す。 この統合されたフレームワークは拡散モデルを導入し、クラスレベルとインスタンスレベルのデータ効率を改善する。
  論文  参考訳（メタデータ） (2024-06-05T04:37:06Z)
• FeCAM: Exploiting the Heterogeneity of Class Distributions in Exemplar-Free Continual Learning [21.088762527081883]
  Exemplar-free class-incremental learning (CIL)は、以前のタスクからのデータのリハーサルを禁止しているため、いくつかの課題がある。 第1タスクの後に特徴抽出器を凍結して分類器を漸進的に学習する手法が注目されている。 凍結した特徴抽出器を用いて新しいクラスプロトタイプを生成するCILのプロトタイプネットワークを探索し,プロトタイプとのユークリッド距離に基づいて特徴を分類する。
  論文  参考訳（メタデータ） (2023-09-25T11:54:33Z)
• Zero-Shot Logit Adjustment [89.68803484284408]
  Generalized Zero-Shot Learning (GZSL) は意味記述に基づく学習技術である。 本稿では,分類器の改良を無視しつつ,ジェネレータの効果を高める新しい世代ベース手法を提案する。 実験により,提案手法が基本生成器と組み合わせた場合の最先端化を実現し,様々なゼロショット学習フレームワークを改良できることが実証された。
  論文  参考訳（メタデータ） (2022-04-25T17:54:55Z)
• Self-Supervised Class Incremental Learning [51.62542103481908]
  既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。 新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。 本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
  論文  参考訳（メタデータ） (2021-11-18T06:58:19Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Self-Supervised Learning for Fine-Grained Visual Categorization [0.0]
  細粒度視覚分類(FGVC)におけるSSLの有用性について検討する。 FGVCは、一般的なカテゴリ内で視覚的に類似したサブカテゴリのオブジェクトを区別することを目的としている。 我々のベースラインは、CUB-200-2011データセットの上位1の分類精度を86.36%で達成している。
  論文  参考訳（メタデータ） (2021-05-18T19:16:05Z)
• Generalized Zero-Shot Learning via VAE-Conditioned Generative Flow [83.27681781274406]
  一般化されたゼロショット学習は、意味的記述から視覚的表現へ知識を移すことによって、目に見えないクラスと見えないクラスの両方を認識することを目的としている。 近年のGZSLはデータ不足問題として定式化されており、主にGANやVAEを採用して、目に見えないクラスの視覚的特徴を生成する。 GZSLのための条件付き生成フロー,すなわちVAE-Conditioned Generative Flow (VAE-cFlow)を提案する。
  論文  参考訳（メタデータ） (2020-09-01T09:12:31Z)
• Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
  そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。 フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
  論文  参考訳（メタデータ） (2020-04-01T19:05:28Z)

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。