論文の概要: Open-World Class Discovery with Kernel Networks

• arxiv url: http://arxiv.org/abs/2012.06957v1
• Date: Sun, 13 Dec 2020 04:21:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-09 12:41:08.313907
• Title: Open-World Class Discovery with Kernel Networks
• Title（参考訳）: Kernel Networksによるオープンワールドクラスディスカバリ
• Authors: Zifeng Wang, Batool Salehi, Andrey Gritsenko, Kaushik Chowdhury, Stratis Ioannidis, Jennifer Dy
• Abstract要約: 我々は,古クラスからのラベル付きトレーニングサンプルを考えると,ラベルなしテストサンプルから新しいクラスを見つける必要がある,オープンワールドクラスディスカバリー問題について検討する。 クラスディスカバリー・カーネル・ネットワーク・ with Expansion (CD-KNet-Exp) を提案する。 CD-KNet-Expは、3つの公開ベンチマークデータセットと、現実世界の無線周波数フィンガープリントデータセットで優れたパフォーマンスを示します。
• 参考スコア（独自算出の注目度）: 8.810079655531345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study an Open-World Class Discovery problem in which, given labeled training samples from old classes, we need to discover new classes from unlabeled test samples. There are two critical challenges to addressing this paradigm: (a) transferring knowledge from old to new classes, and (b) incorporating knowledge learned from new classes back to the original model. We propose Class Discovery Kernel Network with Expansion (CD-KNet-Exp), a deep learning framework, which utilizes the Hilbert Schmidt Independence Criterion to bridge supervised and unsupervised information together in a systematic way, such that the learned knowledge from old classes is distilled appropriately for discovering new classes. Compared to competing methods, CD-KNet-Exp shows superior performance on three publicly available benchmark datasets and a challenging real-world radio frequency fingerprinting dataset.
• Abstract（参考訳）: 我々は,古クラスからのラベル付きトレーニングサンプルを考えると,ラベルなしテストサンプルから新しいクラスを見つける必要がある,オープンワールドクラスディスカバリー問題を研究する。 a) 古いクラスから新しいクラスに知識を移す、(b) 新しいクラスから学んだ知識を元のモデルに組み込む、という2つの重要な課題があります。 ヒルベルト・シュミット独立基準(Hilbert Schmidt Independence Criterion)を用いて、教師付き情報と教師なし情報を体系的に橋渡しする深層学習フレームワークであるクラスディスカバリカーネルネットワーク(CD-KNet-Exp, Class Discovery Kernel Network with Expansion, CD-KNet-Exp)を提案する。 競合する手法と比較して、CD-KNet-Expは3つの公開ベンチマークデータセットと、現実の無線周波数指紋データセットにおいて優れたパフォーマンスを示している。

関連論文リスト

• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• Towards Non-Exemplar Semi-Supervised Class-Incremental Learning [33.560003528712414]
  クラス増分学習は、古いクラスの識別性を保ちながら、新しいクラスを徐々に認識することを目的としている。 コントラスト学習と半教師付きインクリメンタルプロトタイプ分類器(Semi-IPC)を用いた非経験的半教師付きCILフレームワークを提案する。 Semi-IPCは教師なしの正規化で各クラスのプロトタイプを学習し、部分的にラベル付けされた新しいデータからモデルを漸進的に学習することを可能にする。
  論文  参考訳（メタデータ） (2024-03-27T06:28:19Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• OpenGCD: Assisting Open World Recognition with Generalized Category Discovery [4.600906853436266]
  望ましいオープンワールド認識(OWR)システムは、3つのタスクを実行する必要がある。 上記の問題を逐次解決するために,3つの鍵となるアイデアを組み合わせたOpenGCDを提案する。 2つの標準分類ベンチマークと挑戦的なデータセットの実験は、OpenGCDが優れた互換性を提供するだけでなく、他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2023-08-14T04:10:45Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)
• Open-World Semi-Supervised Learning [66.90703597468377]
  本稿では,従来のクラスを認識するためにモデルを必要とする,新しいオープンワールド半教師付き学習環境を提案する。 データの分類とクラスタ化を同時に行うアプローチであるORCAを提案する。 我々は,ORCAが新しいクラスを正確に発見し,ベンチマーク画像分類データセット上で以前に見られたクラスにサンプルを割り当てることを示した。
  論文  参考訳（メタデータ） (2021-02-06T07:11:07Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)
• Learning Adaptive Embedding Considering Incremental Class [55.21855842960139]
  CIL(Class-Incremental Learning)は,未知のクラスを逐次生成するストリーミングデータを用いて,信頼性の高いモデルをトレーニングすることを目的としている。 従来のクローズドセット学習とは異なり、CILには2つの大きな課題がある。 新たなクラスが検出された後、以前のデータ全体を使用して再トレーニングすることなく、モデルを更新する必要がある。
  論文  参考訳（メタデータ） (2020-08-31T04:11:24Z)

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。