論文の概要: Few Shot Learning With No Labels

• arxiv url: http://arxiv.org/abs/2012.13751v1
• Date: Sat, 26 Dec 2020 14:40:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-04-25 02:38:07.665643
• Title: Few Shot Learning With No Labels
• Title（参考訳）: ラベルのないショット学習はほとんどありません
• Authors: Aditya Bharti, N.B. Vineeth, C.V. Jawahar
• Abstract要約: 数少ない学習者は、少数のトレーニングサンプルしか与えていない新しいカテゴリを認識することを目指している。 主な課題は、限られたデータに過度に適合することを避け、新しいクラスへの優れた一般化を確実にすることだ。 既存の文献は、ラベル要件を新しいクラスからベースクラスに単純にシフトすることで、大量の注釈付きデータを利用する。
• 参考スコア（独自算出の注目度）: 28.91314299138311
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Few-shot learners aim to recognize new categories given only a small number of training samples. The core challenge is to avoid overfitting to the limited data while ensuring good generalization to novel classes. Existing literature makes use of vast amounts of annotated data by simply shifting the label requirement from novel classes to base classes. Since data annotation is time-consuming and costly, reducing the label requirement even further is an important goal. To that end, our paper presents a more challenging few-shot setting where no label access is allowed during training or testing. By leveraging self-supervision for learning image representations and image similarity for classification at test time, we achieve competitive baselines while using \textbf{zero} labels, which is at least fewer labels than state-of-the-art. We hope that this work is a step towards developing few-shot learning methods which do not depend on annotated data at all. Our code will be publicly released.
• Abstract（参考訳）: 少数派の学習者は,少数の学習サンプルに限って,新たなカテゴリの認識を目指す。 主な課題は、新しいクラスへの適切な一般化を確保しながら、限られたデータへの過度な適合を避けることである。 既存の文献は、ラベル要件を新しいクラスからベースクラスに単純にシフトすることで、大量の注釈付きデータを利用する。 データアノテーションは時間とコストがかかるため、ラベル要件の削減がさらに重要な目標である。 そこで,本稿では,トレーニングやテスト中にラベルアクセスを許可しない,より難易度の高い少数ショット設定を提案する。 自己スーパービジョンを利用して画像表現と画像類似性をテスト時に学習することにより,最先端のラベルよりも少ないラベルである \textbf{zero}ラベルを用いて,競合ベースラインを実現する。 この研究は、注釈付きデータにまったく依存しない、少数の学習方法を開発するための一歩になることを願っている。 私たちのコードは公開されます。

関連論文リスト

• Active Generalized Category Discovery [60.69060965936214]
  GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。 我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。 提案手法は, 汎用および微粒な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） (2024-03-07T07:12:24Z)
• Few-shot Class-Incremental Semantic Segmentation via Pseudo-Labeling and Knowledge Distillation [3.4436201325139737]
  セマンティックセグメンテーションモデルのための新しいクラスをいくつかの例から学習する問題に対処する。 限られたデータから学習するために、数発のトレーニングアノテーションを増強する擬似ラベル方式を提案する。 上記のステップを、統一的な学習目標を持つ単一の畳み込みニューラルネットワークに統合する。
  論文  参考訳（メタデータ） (2023-08-05T05:05:37Z)
• Robust Assignment of Labels for Active Learning with Sparse and Noisy Annotations [0.17188280334580192]
  監視された分類アルゴリズムは、世界中の多くの現実の問題を解決するために使用される。 残念なことに、多くのタスクに対して良質なアノテーションを取得することは、実際に行うには不可能か、あるいはコストがかかりすぎます。 サンプル空間のラベルのない部分を利用する2つの新しいアノテーション統一アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-25T19:40:41Z)
• Weakly Supervised Semantic Segmentation using Out-of-Distribution Data [50.45689349004041]
  弱教師付きセマンティックセグメンテーション(WSSS)法は、しばしばピクセルレベルのローカライゼーションマップ上に構築される。 本稿では,背景と背景を区別する新たな情報源を提案する。
  論文  参考訳（メタデータ） (2022-03-08T05:33:35Z)
• Weak Novel Categories without Tears: A Survey on Weak-Shot Learning [10.668094663201385]
  あらゆるカテゴリについて、十分な完全な注釈付きトレーニングデータを集めるのに、時間と労力がかかります。 弱いショット学習は、補助的な完全教師付きカテゴリーによる弱い教師付き学習として扱われる。
  論文  参考訳（メタデータ） (2021-10-06T11:04:36Z)
• Towards Good Practices for Efficiently Annotating Large-Scale Image Classification Datasets [90.61266099147053]
  多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。 人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。 ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
  論文  参考訳（メタデータ） (2021-04-26T16:29:32Z)
• A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
  トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。 事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。 本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
  論文  参考訳（メタデータ） (2021-04-21T14:34:33Z)
• All Labels Are Not Created Equal: Enhancing Semi-supervision via Label Grouping and Co-training [32.45488147013166]
  Pseudo-labelingは、半教師付き学習(SSL)の鍵となるコンポーネントである 本論文では,ラベルセマンティクスとコトレーニングを活用した問題解決手法であるSemCoを提案する。 提案手法は,1000個のラベル付きサンプルを持つミニイメージネットデータセットにおける5.6%の精度向上を含む,様々なsslタスクにおいて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-04-12T07:33:16Z)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)
• One-bit Supervision for Image Classification [121.87598671087494]
  1ビットの監視は、不完全なアノテーションから学ぶための新しい設定である。 負ラベル抑圧を既成の半教師付き学習アルゴリズムに組み込んだ多段階学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-09-14T03:06:23Z)
• Multi-label Zero-shot Classification by Learning to Transfer from External Knowledge [36.04579549557464]
  マルチラベルゼロショット分類は、入力画像に対する複数の未知のクラスラベルを予測することを目的としている。 本稿では,外部知識の伝達を学習することで,新たなゼロショット分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-30T17:26:46Z)

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。