Fugu-MT 論文翻訳(概要): Improving the Classification of Rare Chords with Unlabeled Data

論文の概要: Improving the Classification of Rare Chords with Unlabeled Data

arxiv url: http://arxiv.org/abs/2012.07055v2
Date: Wed, 10 Feb 2021 11:57:24 GMT
ステータス: 処理完了
システム内更新日: 2021-05-09 12:39:35.052285
Title: Improving the Classification of Rare Chords with Unlabeled Data
Title（参考訳）: ラベルなしデータによる希少コード分類の改善
Authors: Marcelo Bortolozzo, Rodrigo Schramm, Claudio R. Jung
Abstract要約: ACR(Automatic Chord Recognition)タスクにおけるレアクラスのパフォーマンス向上手法について検討する。まず, 硬質試料の分類を改善するために提案されたACRの文脈における焦点損失の利用について検討した。並行して,音楽領域に画像認識のための自己学習手法を適用した。
参考スコア（独自算出の注目度）: 1.0312968200748118
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we explore techniques to improve performance for rare classes in the task of Automatic Chord Recognition (ACR). We first explored the use of the focal loss in the context of ACR, which was originally proposed to improve the classification of hard samples. In parallel, we adapted a self-learning technique originally designed for image recognition to the musical domain. Our experiments show that both approaches individually (and their combination) improve the recognition of rare chords, but using only self-learning with noise addition yields the best results.
Abstract（参考訳）: 本研究では,ACR(Automatic Chord Recognition)タスクにおける希少クラスの性能向上手法について検討する。まず, 硬質試料の分類を改善するために提案されたACRの文脈における焦点損失の利用について検討した。並行して,音楽領域に画像認識のための自己学習手法を適用した。実験の結果,2つのアプローチは希少なコード認識を改善するが,ノイズ付加を伴う自己学習のみを用いることで,最良の結果が得られることがわかった。

関連論文リスト

Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文参考訳（メタデータ） (2023-09-25T12:31:18Z)
Self2Seg: Single-Image Self-Supervised Joint Segmentation and Denoising [5.980200432310941]
Self2Segは、単一画像の分割とデノナイズのための自己教師型手法である。データ駆動の手法とは対照的に、Self2Segはトレーニングデータベースを使わずに、イメージを意味のある領域にセグメントする。
論文参考訳（メタデータ） (2023-09-19T10:47:32Z)
MetaAudio: A Few-Shot Audio Classification Benchmark [2.294014185517203]
この研究は、画像ベースのベンチマークへの依存を軽減することを目的として、初めて包括的で公開され、完全に再現可能なオーディオベースの代替手段を提供する。 7つの音声データセットにおいて,様々な手法の複数ショットの分類性能を比較した。実験では,MAMLやMeta-Curvatureのような勾配に基づくメタ学習法が,測定法とベースライン法の両方で一貫して優れていた。
論文参考訳（メタデータ） (2022-04-05T11:33:44Z)
Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文参考訳（メタデータ） (2022-01-09T04:35:55Z)
Data Augmentation based Consistency Contrastive Pre-training for Automatic Speech Recognition [18.303072203996347]
自動音声認識(ASR)タスクにおいて、自己教師付き音響事前学習は驚くべき結果を得た。音響事前学習法の多くは、コントラスト学習を用いて音響表現を学習する。本稿では,音声事前学習のためのデータ拡張を利用して,新しいコントラスト学習法(CCL)を設計する。
論文参考訳（メタデータ） (2021-12-23T13:23:17Z)
SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文参考訳（メタデータ） (2021-06-29T08:08:33Z)
A Framework using Contrastive Learning for Classification with Noisy Labels [1.2891210250935146]
雑音ラベルの存在下で画像分類を行うために,コントラスト学習を事前学習タスクとして利用するフレームワークを提案する。擬似ラベル, ガウス混合モデルを用いたサンプル選択, 重み付き教師付きコントラスト学習などの近年の戦略は, 事前学習後の微調整相に組み合わされている。
論文参考訳（メタデータ） (2021-04-19T18:51:22Z)
Annotation-Efficient Learning for Medical Image Segmentation based on Noisy Pseudo Labels and Adversarial Learning [12.781598229608983]
医療画像セグメンテーションのためのアノテーション効率の高い学習フレームワークを提案する。我々は、改良されたサイクル一貫性生成適応ネットワーク(GAN)を用いて、障害のない医療画像と補助マスクのセットから学習する。基礎画像の光学ディスクや超音波画像の胎児頭部のような単純な形状の物体、X線画像の肺やCT画像の肝臓のような複雑な構造、という2つの状況で、我々の枠組みを検証した。
論文参考訳（メタデータ） (2020-12-29T03:22:41Z)
A Self-Refinement Strategy for Noise Reduction in Grammatical Error Correction [54.569707226277735]
既存の文法的誤り訂正(GEC)のアプローチは、手動で作成したGECデータセットによる教師あり学習に依存している。誤りが不適切に編集されたり、修正されなかったりする「ノイズ」は無視できないほどある。本稿では,既存のモデルの予測整合性を利用して,これらのデータセットをデノマイズする自己補充手法を提案する。
論文参考訳（メタデータ） (2020-10-07T04:45:09Z)
Open-Set Recognition with Gaussian Mixture Variational Autoencoders [91.3247063132127]
推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
論文参考訳（メタデータ） (2020-06-03T01:15:19Z)
Audio Impairment Recognition Using a Correlation-Based Feature Representation [85.08880949780894]
本稿では,特徴対の相関に基づく手作り特徴の新しい表現を提案する。実験段階において,コンパクトな特徴次元と計算速度の向上の観点から,優れた性能を示す。
論文参考訳（メタデータ） (2020-03-22T13:34:37Z)

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。