論文の概要: Local Propagation for Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2101.01480v1
• Date: Tue, 5 Jan 2021 12:26:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 18:03:15.050387
• Title: Local Propagation for Few-Shot Learning
• Title（参考訳）: ファウショット学習のための局所的伝播
• Authors: Yann Lifchitz, Yannis Avrithis, Sylvaine Picard
• Abstract要約: 2つの方向は (a) 局所的な画像表現を使い、基本的に定数係数でデータの量を乗算し、 (b) よりラベルのないデータを使って、複数のクエリを共同で行う。 本研究では,これら2つのアイデアをまとめて,emphlocal propagationを導入する。 我々は,非帰納的および帰納的両方の設定下での少数ショット推論に対して,普遍的に安全な選択肢を提供し,対応する手法よりも精度を向上する。
• 参考スコア（独自算出の注目度）: 13.729138917245931
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The challenge in few-shot learning is that available data is not enough to capture the underlying distribution. To mitigate this, two emerging directions are (a) using local image representations, essentially multiplying the amount of data by a constant factor, and (b) using more unlabeled data, for instance by transductive inference, jointly on a number of queries. In this work, we bring these two ideas together, introducing \emph{local propagation}. We treat local image features as independent examples, we build a graph on them and we use it to propagate both the features themselves and the labels, known and unknown. Interestingly, since there is a number of features per image, even a single query gives rise to transductive inference. As a result, we provide a universally safe choice for few-shot inference under both non-transductive and transductive settings, improving accuracy over corresponding methods. This is in contrast to existing solutions, where one needs to choose the method depending on the quantity of available data.
• Abstract（参考訳）: 少数ショット学習の課題は、利用可能なデータが基盤となるディストリビューションをキャプチャするには不十分であることだ。 これを軽減するために、(a) 局所的な画像表現を用いて、基本的に定数係数でデータの量を乗算し、(b) よりラベルのないデータを用いて、例えば、トランスダクティブ推論によって、複数のクエリを共同で行う。 本研究では,これら2つのアイデアをまとめて,emph{local propagation}を導入する。 ローカルな画像の特徴を独立した例として扱い、それらの上にグラフを構築し、その特徴自体と、未知のラベルの両方を伝播させる。 興味深いことに、画像ごとに多数の機能があるため、単一のクエリでさえトランスダクティブ推論を引き起こす。 その結果、ノントランスダクティブ設定とトランスダクティブ設定の両方において、最小ショット推論に対する普遍的に安全な選択が得られ、対応する手法よりも精度が向上する。 これは、利用可能なデータ量に応じてメソッドを選択する必要がある既存のソリューションとは対照的である。

関連論文リスト

• Rethinking Score Distillation as a Bridge Between Image Distributions [97.27476302077545]
  提案手法は, 劣化した画像(ソース)を自然画像分布(ターゲット)に転送することを目的としている。 本手法は,複数の領域にまたがって容易に適用可能であり,特殊な手法の性能のマッチングや評価を行うことができる。 テキストから2D、テキストベースのNeRF最適化、絵画を実画像に変換すること、光学錯視生成、および3Dスケッチから実画像に変換することにおいて、その実用性を実証する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:58Z)
• Adaptive Anchor Label Propagation for Transductive Few-Shot Learning [18.29463308334406]
  ラベル付きデータによる画像の分類の問題に対処する例は少ない。 識別可能な損失関数を最小化することによりラベル付きデータの特徴埋め込みを適応する新しいアルゴリズムを提案する。 提案アルゴリズムは,1ショット設定と5ショット設定において,標準ラベル伝搬アルゴリズムを最大7%,2%向上させる。
  論文  参考訳（メタデータ） (2023-10-30T20:29:31Z)
• Ranking-aware Uncertainty for Text-guided Image Retrieval [17.70430913227593]
  本稿では,多対多対応をモデル化する新しいランキングアウェア不確実性手法を提案する。 既存の最先端手法と比較して,提案手法は2つの公開データセットに対して有意な結果が得られる。
  論文  参考訳（メタデータ） (2023-08-16T03:48:19Z)
• What can we learn about a generated image corrupting its latent representation? [57.1841740328509]
  GANのボトルネックにおける潜在表現に基づいて画像品質を予測できるという仮説を考察する。 遅延表現を雑音で破壊し、複数の出力を生成することでこれを実現できる。
  論文  参考訳（メタデータ） (2022-10-12T14:40:32Z)
• Sampling Based On Natural Image Statistics Improves Local Surrogate Explainers [111.31448606885672]
  代理説明器は、モデルが予測にどのように到着するかをさらに理解するために、ポストホック解釈法として人気がある。 そこで本研究では,(1)局所領域のサンプリング方法を変更すること,(2)自然画像の分布特性を知覚的指標を用いて伝達すること,の2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-08-08T08:10:13Z)
• QS-Attn: Query-Selected Attention for Contrastive Learning in I2I Translation [12.422851944420582]
  I2I (Unpaired Image-to-image) 翻訳では、ソースと変換された画像間の相互情報の最大化が要求されることが多い。 自己教師付きコントラスト学習はI2Iですでに成功している。 本稿では,これらの問題に対して,コントラスト学習のための重要なアンカーポイントを意図的に選択することで対処する。
  論文  参考訳（メタデータ） (2022-03-16T09:19:25Z)
• Diversify and Disambiguate: Learning From Underspecified Data [76.67228314592904]
  DivDisは、テストディストリビューションからラベルのないデータを活用することで、タスクに対するさまざまな仮説のコレクションを学ぶフレームワークである。 我々はDivDisが画像分類や自然言語処理問題において頑健な特徴を用いた仮説を見つける能力を示す。
  論文  参考訳（メタデータ） (2022-02-07T18:59:06Z)
• Semi-supervised Learning for Few-shot Image-to-Image Translation [89.48165936436183]
  本稿では,SEMITと呼ばれる画像翻訳のための半教師付き手法を提案する。 提案手法は,ソースラベルの10%以下を用いて,4つの異なるデータセットに対して優れた結果を得る。
  論文  参考訳（メタデータ） (2020-03-30T22:46:49Z)
• Same Features, Different Day: Weakly Supervised Feature Learning for Seasonal Invariance [65.94499390875046]
  「夜も昼も」は2つのことが全く違うことを暗示するためによく使われる表現である。 本研究の目的は、局所化、スパースマッチング、画像検索に使用できる高密度特徴表現を提供することである。 Deja-Vuは、画素単位の地上真実データを必要としない季節不変の特徴を学習するための弱い教師付きアプローチである。
  論文  参考訳（メタデータ） (2020-03-30T12:56:44Z)
• Continual Local Replacement for Few-shot Learning [13.956960291580938]
  少数ショット学習の目標は,1つないし少数のトレーニングデータに基づいて,新しいクラスを認識可能なモデルを学習することにある。 1)新しいクラスの優れた特徴表現が欠けていること、(2)ラベル付きデータの一部が真のデータ分布を正確に表現できないこと、である。 データ不足問題に対処するために,新たな局所的置換戦略を提案する。
  論文  参考訳（メタデータ） (2020-01-23T04:26:21Z)

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。