論文の概要: Task-Adaptive Negative Class Envision for Few-Shot Open-Set Recognition
- arxiv url: http://arxiv.org/abs/2012.13073v1
- Date: Thu, 24 Dec 2020 02:30:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 17:03:50.048851
- Title: Task-Adaptive Negative Class Envision for Few-Shot Open-Set Recognition
- Title（参考訳）: タスク適応型負クラスによるオープンセット認識
- Authors: Shiyuan Huang, Jiawei Ma, Guangxing Han, Shih-Fu Chang
- Abstract要約: 新しいソースからのクエリに堅牢な認識システムを学ぶための、数発のオープンセット認識(FSOR)の問題について研究する。
オープン世界をモデル化する新しいタスク適応型負クラスビジュアライゼーション手法(tane)を提案する。
本手法は, オープンセット認識における最先端の性能を大幅に向上させる。
- 参考スコア（独自算出の注目度）: 36.53830822788852
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent works seek to endow recognition systems with the ability to handle the
open world. Few shot learning aims for fast learning of new classes from
limited examples, while open-set recognition considers unknown negative class
from the open world. In this paper, we study the problem of few-shot open-set
recognition (FSOR), which learns a recognition system robust to queries from
new sources with few examples and from unknown open sources. To achieve that,
we mimic human capability of envisioning new concepts from prior knowledge, and
propose a novel task-adaptive negative class envision method (TANE) to model
the open world. Essentially we use an external memory to estimate a negative
class representation. Moreover, we introduce a novel conjugate episode training
strategy that strengthens the learning process. Extensive experiments on four
public benchmarks show that our approach significantly improves the
state-of-the-art performance on few-shot open-set recognition. Besides, we
extend our method to generalized few-shot open-set recognition (GFSOR), where
we also achieve performance gains on MiniImageNet.
- Abstract（参考訳）: 最近の研究は、オープンワールドを扱う能力を備えた認識システムの実現を目指している。
ショット学習は限られた例から新しいクラスを素早く学ぶことを目的としているが、オープンセット認識は未知の負のクラスをオープンワールドから考える。
本稿では,新しい情報源からの問い合わせに頑健な認識システムを学習し,実例と未知のオープンソースから学習するオープンセット認識(fsor)の問題点について検討する。
そこで我々は,従来の知識から新たな概念を想定する人間の能力を模倣し,オープンワールドをモデル化するタスク適応型ネガティブクラス構想手法(TANE)を提案する。
本質的には、外部メモリを使用して負のクラス表現を推定します。
さらに,学習プロセスを強化する新しい共役エピソードトレーニング戦略を導入する。
4つの公開ベンチマークの大規模な実験により、我々のアプローチは、数発のオープンセット認識における最先端の性能を著しく改善することが示された。
さらに,本手法を一般化したオープンセット認識(GFSOR)に拡張し,MiniImageNetの性能向上を実現した。
関連論文リスト
- Learning Prompt with Distribution-Based Feature Replay for Few-Shot Class-Incremental Learning [56.29097276129473]
分散型特徴再現(LP-DiF)を用いた学習プロンプト(Learning Prompt)という,シンプルで効果的なフレームワークを提案する。
新しいセッションでは,学習可能なプロンプトが古い知識を忘れないようにするため,擬似機能的リプレイ手法を提案する。
新しいセッションに進むと、古いクラスのディストリビューションと現在のセッションのトレーニングイメージを組み合わせて擬似フィーチャーをサンプリングして、プロンプトを最適化する。
論文 参考訳（メタデータ） (2024-01-03T07:59:17Z) - OpenIncrement: A Unified Framework for Open Set Recognition and Deep
Class-Incremental Learning [4.278434830731282]
オープンな集合認識と統合された深層学習フレームワークを提案する。
提案手法は,クラスに学習した特徴を改良し,距離に基づくオープンセット認識に適応させる。
実験により,本手法が最先端のインクリメンタル学習技術より優れていることを確認した。
論文 参考訳（メタデータ） (2023-10-05T19:08:08Z) - Open Long-Tailed Recognition in a Dynamic World [82.91025831618545]
実世界のデータは、しばしば長い尾を持ち、(目に見えないクラスを持つ)オープンな分布を示す。
現実的な認識システムは、多数派(頭)クラスと少数派(尾)クラスの間でバランスを取り、分布を一般化し、見知らぬクラス(オープンクラス)のインスタンスで新規性を認める必要がある。
我々は,Open Long-Tailed Recognition++を,このような自然分布データからの学習として定義し,バランスの取れたテストセット上での分類精度を最適化する。
論文 参考訳（メタデータ） (2022-08-17T15:22:20Z) - Open-world Contrastive Learning [25.585152083052574]
オープンワールドコントラスト学習(OpenCon)という新たな学習フレームワークを導入する。
OpenConは、既知のクラスと新しいクラスの両方でコンパクト表現を学ぶという課題に取り組む。
ImageNetデータセットでは、OpenConが現在のベストメソッドを11.9%、新鮮で全体的な分類精度が7.4%で大幅に上回っている。
論文 参考訳（メタデータ） (2022-08-04T16:48:02Z) - Contrastive Learning for Cross-Domain Open World Recognition [17.660958043781154]
進化する能力は、知識が製造者によって注入されるものに限定されない貴重な自律エージェントにとって基本的なものである。
新しいクラスをインクリメンタルに含めるのに適した機能空間を学習し、様々な視覚領域にまたがる知識を捉えることができることを示す。
本手法は,学習エピソードごとの効果的な停止基準を付与し,新たな自己ペースしきい値設定戦略を活用する。
論文 参考訳（メタデータ） (2022-03-17T11:23:53Z) - Bayesian Embeddings for Few-Shot Open World Recognition [60.39866770427436]
埋め込みベースの数ショット学習アルゴリズムをオープンワールド認識設定に拡張する。
当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。
論文 参考訳（メタデータ） (2021-07-29T00:38:47Z) - Opening Deep Neural Networks with Generative Models [2.0962464943252934]
本稿では,事前学習したDeep Neural Networksに付加して視覚認識を行うことのできる,シンプルでプラグアンドプレイなオープンセット認識モジュールGeMOSを提案する。
GeMOSフレームワークは、事前訓練された畳み込みニューラルネットワークと、オープンセット認識のための生成モデルを組み合わせて、サンプル毎にオープンセットスコアを抽出する。
提案手法を最先端のオープンセットアルゴリズムと比較して徹底的に評価し,GeMOSがより複雑でコストのかかるモデルよりも優れているか,あるいは統計的に区別できないかを見出した。
論文 参考訳（メタデータ） (2021-05-20T20:02:29Z) - 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) - Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
オープンセット認識の問題点を考察する。
新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
論文 参考訳（メタデータ） (2020-05-27T23:49:26Z)
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。