論文の概要: Uncertainty-Aware Few-Shot Image Classification

• arxiv url: http://arxiv.org/abs/2010.04525v2
• Date: Thu, 3 Jun 2021 13:48:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 05:48:37.522949
• Title: Uncertainty-Aware Few-Shot Image Classification
• Title（参考訳）: 不確かさを意識したFew-Shot画像分類
• Authors: Zhizheng Zhang, Cuiling Lan, Wenjun Zeng, Zhibo Chen, Shih-Fu Chang
• Abstract要約: ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。 画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 118.72423376789062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot image classification learns to recognize new categories from limited labelled data. Metric learning based approaches have been widely investigated, where a query sample is classified by finding the nearest prototype from the support set based on their feature similarities. A neural network has different uncertainties on its calculated similarities of different pairs. Understanding and modeling the uncertainty on the similarity could promote the exploitation of limited samples in few-shot optimization. In this work, we propose Uncertainty-Aware Few-Shot framework for image classification by modeling uncertainty of the similarities of query-support pairs and performing uncertainty-aware optimization. Particularly, we exploit such uncertainty by converting observed similarities to probabilistic representations and incorporate them to the loss for more effective optimization. In order to jointly consider the similarities between a query and the prototypes in a support set, a graph-based model is utilized to estimate the uncertainty of the pairs. Extensive experiments show our proposed method brings significant improvements on top of a strong baseline and achieves the state-of-the-art performance.
• Abstract（参考訳）: ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。 メトリクス学習に基づくアプローチは広く研究されており、クエリサンプルは、特徴的類似性に基づいて、サポートセットから最も近いプロトタイプを見つけることによって分類される。 ニューラルネットワークは、計算された異なるペアの類似性が異なる不確実性を持つ。 類似性に関する不確実性の理解とモデル化は、限定的なサンプルの利用を促進することができる。 本研究では,問合せ支援ペアの類似性の不確かさをモデル化し,不確実性認識のためのFew-Shotフレームワークを提案する。 特に、観測された類似性を確率的表現に変換し、より効果的な最適化のために損失に組み込むことで、このような不確実性を利用する。 サポートセットにおけるクエリとプロトタイプの類似性を共同で検討するために,グラフベースモデルを用いてペアの不確かさを推定する。 大規模な実験により,提案手法は強力なベースラインの上に大きな改善をもたらし,最先端の性能を実現する。

関連論文リスト

• Bayesian Hierarchical Models for Counterfactual Estimation [12.159830463756341]
  本稿では,多種多様なカウンターファクトの集合を推定する確率的パラダイムを提案する。 摂動を事前分布関数によるランダム変数として扱う。 収束特性の優れた勾配ベースサンプリング器は、後方サンプルを効率的に計算する。
  論文  参考訳（メタデータ） (2023-01-21T00:21:11Z)
• Composed Image Retrieval with Text Feedback via Multi-grained Uncertainty Regularization [73.04187954213471]
  粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。 提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
  論文  参考訳（メタデータ） (2022-11-14T14:25:40Z)
• Uncertainty-based Network for Few-shot Image Classification [17.912365063048263]
  相互情報の助けを借りて分類結果の不確実性をモデル化する不確実性ベースネットワークを提案する。 不確実性に基づくネットワークは,最先端手法と比較して,分類精度に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2022-05-17T07:49:32Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Path Integrals for the Attribution of Model Uncertainties [0.18899300124593643]
  本稿では,特徴ベクトルと反事実ベクトルを連結する分布内曲線に依存する新しいアルゴリズムを提案する。 我々は,様々な解像度で画像データセットをベンチマークし,解釈可能性を大幅に単純化することを示す。
  論文  参考訳（メタデータ） (2021-07-19T11:07:34Z)
• Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
  また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。 これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-09-01T19:12:11Z)
• Achieving Equalized Odds by Resampling Sensitive Attributes [13.114114427206678]
  等価性の概念をほぼ満足する予測モデルを学習するためのフレキシブルなフレームワークを提案する。 この微分可能な関数は、モデルパラメータを等化奇数に向けて駆動するペナルティとして使用される。 本研究は,予測規則が本性質に反するか否かを検出するための公式な仮説テストを開発する。
  論文  参考訳（メタデータ） (2020-06-08T00:18:34Z)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)

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。