論文の概要: RNNP: A Robust Few-Shot Learning Approach

• arxiv url: http://arxiv.org/abs/2011.11067v1
• Date: Sun, 22 Nov 2020 17:23:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 12:10:38.187517
• Title: RNNP: A Robust Few-Shot Learning Approach
• Title（参考訳）: RNNP:ロバストなFew-Shot学習アプローチ
• Authors: Pratik Mazumder, Pravendra Singh, Vinay P. Namboodiri
• Abstract要約: より堅牢な数ショット学習手法を提案する。 提案手法は, 少数の例から頑健なプロトタイプを生成することに依存する。 本手法は,標準のmini-ImageNetとhered-ImageNetデータセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 39.8046809855363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning from a few examples is an important practical aspect of training classifiers. Various works have examined this aspect quite well. However, all existing approaches assume that the few examples provided are always correctly labeled. This is a strong assumption, especially if one considers the current techniques for labeling using crowd-based labeling services. We address this issue by proposing a novel robust few-shot learning approach. Our method relies on generating robust prototypes from a set of few examples. Specifically, our method refines the class prototypes by producing hybrid features from the support examples of each class. The refined prototypes help to classify the query images better. Our method can replace the evaluation phase of any few-shot learning method that uses a nearest neighbor prototype-based evaluation procedure to make them robust. We evaluate our method on standard mini-ImageNet and tiered-ImageNet datasets. We perform experiments with various label corruption rates in the support examples of the few-shot classes. We obtain significant improvement over widely used few-shot learning methods that suffer significant performance degeneration in the presence of label noise. We finally provide extensive ablation experiments to validate our method.
• Abstract（参考訳）: いくつかの例から学ぶことは、訓練分類器の重要な実践的側面である。 様々な作品がこの点をよく研究している。 しかしながら、既存のアプローチはすべて、提供されたサンプルが常に正しくラベル付けされていると仮定している。 これは特に、クラウドベースのラベリングサービスを使用する現在のラベリング技術を考える場合、強い仮定である。 我々は、新しい頑健な数発学習アプローチを提案することでこの問題に対処する。 提案手法は,いくつかの例から頑健なプロトタイプを生成することに依存する。 具体的には,各クラスのサポート例からハイブリッド機能を生成することで,クラスプロトタイプを改良する。 改良されたプロトタイプは、クエリイメージをよりよく分類するのに役立ちます。 提案手法は, 最寄りのプロトタイプベース評価手順を用いてロバスト化を行う, マイズショット学習手法の評価フェーズを置き換えることができる。 本手法は,標準のmini-ImageNetとhered-ImageNetデータセットを用いて評価する。 少人数クラスのサポート例において,様々なラベル破壊率を用いて実験を行った。 ラベルノイズの存在下での顕著な性能劣化に苦しむ広範に使われている少数ショット学習法に対して,大幅な改善が得られた。 最後に,本手法を検証するために広範囲なアブレーション実験を行った。

関連論文リスト

• LC-Protonets: Multi-label Few-shot learning for world music audio tagging [65.72891334156706]
  ラベル結合型プロトタイプネットワーク(LC-Protonets)を導入し,複数ラベルの複数ショット分類の問題に対処する。 LC-Protonetsは、限られたトレーニング項目に存在するラベルのパワーセットから、ラベルの組み合わせごとに1つのプロトタイプを生成する。 本手法は,様々な文化をカバーし,現代音楽と伝統音楽の両方を含む,多様な音楽データセットにまたがる自動音声タグ付けに適用する。
  論文  参考訳（メタデータ） (2024-09-17T15:13:07Z)
• PrototypeFormer: Learning to Explore Prototype Relationships for Few-shot Image Classification [19.93681871684493]
  本稿では,従来の画像分類手法であるPrototypeFormerを提案する。 本稿では,プロトタイプ抽出モジュールの構築にトランスフォーマーアーキテクチャを用い,より識別性の高いクラス表現の抽出を目的とした。 その単純さにもかかわらず、ベルや笛を使わずに驚くほどうまく機能する。
  論文  参考訳（メタデータ） (2023-10-05T12:56:34Z)
• An Embarrassingly Simple Approach to Semi-Supervised Few-Shot Learning [58.59343434538218]
  間接学習の観点から、ラベルなしデータの正負の擬似ラベルを正確に予測するための、単純だが非常に効果的な手法を提案する。 私たちのアプローチは、オフザシェルフ操作のみを使用することで、ほんの数行のコードで実装できます。
  論文  参考訳（メタデータ） (2022-09-28T02:11:34Z)
• A Simple Approach to Adversarial Robustness in Few-shot Image Classification [20.889464448762176]
  単純な移動学習に基づくアプローチは、逆向きに頑健な数ショット分類器を訓練するのに有効であることを示す。 また,少数ショットカテゴリのセントロイドをベースクラスに校正する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-11T22:46:41Z)
• Learning Class-level Prototypes for Few-shot Learning [24.65076873131432]
  ほとんどラベル付きサンプルを使用して新しいカテゴリを認識することを目的としていない。 本稿では,少数のサポートデータから好適なプロトタイプを生成することを学べる,数ショット分類のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-25T06:33:52Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• Contextualizing Enhances Gradient Based Meta Learning [7.009032627535598]
  本稿では,メタラーニング手法を文脈解析器と組み合わせることで,いくつかのショットラーニングデータセットの性能を著しく向上させることができることを示す。 オーバーフィットすることなくパラメータを更新することが困難である低データ環境に対して,我々のアプローチは特に適しています。
  論文  参考訳（メタデータ） (2020-07-17T04:01:56Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• Frustratingly Simple Few-Shot Object Detection [98.42824677627581]
  希少なクラスにおける既存検出器の最後の層のみを微調整することは、数発の物体検出タスクに不可欠である。 このような単純なアプローチは、現在のベンチマークで約220ポイントのメタ学習方法より優れている。
  論文  参考訳（メタデータ） (2020-03-16T00:29:14Z)

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。