論文の概要: Few-shot Image Recognition with Manifolds

• arxiv url: http://arxiv.org/abs/2010.12084v1
• Date: Thu, 22 Oct 2020 21:57:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 07:07:31.214690
• Title: Few-shot Image Recognition with Manifolds
• Title（参考訳）: マニフォールドを用いた画像認識
• Authors: Debasmit Das, J.H. Moon, C. S. George Lee
• Abstract要約: ソースドメインデータがアクセスできない状況に、従来の数発の学習問題を拡張します。 限られたトレーニングデータから,すべてのクラスプロトタイプが多様体上に構造的に配置されていることを前提として,非パラメトリックな手法を提案する。 分類において、クラスプロトタイプで構築されたグラフ上にマルコフ連鎖を誘導することにより、カテゴリの構造的配置を再び活用する。
• 参考スコア（独自算出の注目度）: 10.312968200748116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we extend the traditional few-shot learning (FSL) problem to the situation when the source-domain data is not accessible but only high-level information in the form of class prototypes is available. This limited information setup for the FSL problem deserves much attention due to its implication of privacy-preserving inaccessibility to the source-domain data but it has rarely been addressed before. Because of limited training data, we propose a non-parametric approach to this FSL problem by assuming that all the class prototypes are structurally arranged on a manifold. Accordingly, we estimate the novel-class prototype locations by projecting the few-shot samples onto the average of the subspaces on which the surrounding classes lie. During classification, we again exploit the structural arrangement of the categories by inducing a Markov chain on the graph constructed with the class prototypes. This manifold distance obtained using the Markov chain is expected to produce better results compared to a traditional nearest-neighbor-based Euclidean distance. To evaluate our proposed framework, we have tested it on two image datasets - the large-scale ImageNet and the small-scale but fine-grained CUB-200. We have also studied parameter sensitivity to better understand our framework.
• Abstract（参考訳）: 本稿では,従来のマイノリティ・ショット・ラーニング(fsl)問題を,ソースドメインのデータにアクセスできないが,クラスプロトタイプ形式の高レベル情報のみを利用できる状況にまで拡張する。 fsl問題のこの限定的な情報設定は、ソースドメインデータに対するプライバシー保護の欠如を暗示しているため、多くの注意に値する。 限られたトレーニングデータから,すべてのクラスプロトタイプが多様体上に構造的に配置されていることを前提として,このFSL問題に対する非パラメトリックアプローチを提案する。 そこで本研究では,周辺クラスが有する部分空間の平均値にサンプル数を投影することにより,新規クラスのプロトタイプの位置を推定する。 分類中、クラスプロトタイプで構築されたグラフ上にマルコフ連鎖を誘導することにより、再びカテゴリの構造的配置を利用する。 マルコフ連鎖を用いて得られたこの多様体距離は、従来の近傍のユークリッド距離よりもよい結果が得られることが期待されている。 提案するフレームワークを評価するため,大規模イメージネットと小型ながらきめ細かなCUB-200の2つのイメージデータセット上でテストを行った。 パラメータの感度も研究し、フレームワークの理解を深めました。

関連論文リスト

• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• Transductive Few-shot Learning with Prototype-based Label Propagation by Iterative Graph Refinement [41.726774734996766]
  そこで本研究では,数ショット学習のためのプロトタイプベースのラベル伝搬手法を提案する。 具体的には, このグラフ構造は, サンプル間の関係ではなく, プロトタイプとサンプルの関係に基づいている。 ミニイメージネット, タイレッドイメージネット, CIFAR-FS, CUBデータセットでは, 提案手法が他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-23T10:09:26Z)
• 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)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• GCT: Graph Co-Training for Semi-Supervised Few-Shot Learning [46.07923908746946]
  新たなラベル予測手法である孤立グラフ学習(IGL)を提案する。 IGLでは、生データをグラフ空間にエンコードするLaplacian演算子を導入している。 第2に,マルチモーダル融合の観点から,この課題に対処するためのグラフコライニング(GCT)を提案する。
  論文  参考訳（メタデータ） (2022-03-15T09:13:35Z)
• Revisiting Few-shot Relation Classification: Evaluation Data and Classification Schemes [57.34346419239118]
  教師付きRC用データセットから,より現実的な数ショットテストデータを得るための新しい手法を提案する。 これにより、FSL RCの新たな挑戦的なベンチマークが得られ、その上で、アートモデルの状態はパフォーマンスの低下を示している。 そこで我々はNOTAカテゴリを学習ベクトルとして表現する新しい分類手法を提案する。
  論文  参考訳（メタデータ） (2021-04-17T08:16:49Z)
• Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
  textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。 広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
  論文  参考訳（メタデータ） (2021-03-30T00:48:28Z)
• Contrastive Prototype Learning with Augmented Embeddings for Few-Shot Learning [58.2091760793799]
  拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。 クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。 いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
  論文  参考訳（メタデータ） (2021-01-23T13:22:44Z)

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。