論文の概要: One-Class Classification: A Survey
- arxiv url: http://arxiv.org/abs/2101.03064v1
- Date: Fri, 8 Jan 2021 15:30:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 05:11:33.381356
- Title: One-Class Classification: A Survey
- Title(参考訳): 一級分類:調査
- Authors: Pramuditha Perera, Poojan Oza, Vishal M. Patel
- Abstract要約: One-Class Classification (OCC) は、トレーニング中に観測されたデータが単一の正のクラスからのものであるマルチクラス分類の特別なケースである。
視覚認識のための古典的統計的および最近の深層学習に基づくOCC手法のサーベイを提供する。
- 参考スコア(独自算出の注目度): 96.17410674315816
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One-Class Classification (OCC) is a special case of multi-class
classification, where data observed during training is from a single positive
class. The goal of OCC is to learn a representation and/or a classifier that
enables recognition of positively labeled queries during inference. This topic
has received considerable amount of interest in the computer vision, machine
learning and biometrics communities in recent years. In this article, we
provide a survey of classical statistical and recent deep learning-based OCC
methods for visual recognition. We discuss the merits and drawbacks of existing
OCC approaches and identify promising avenues for research in this field. In
addition, we present a discussion of commonly used datasets and evaluation
metrics for OCC.
- Abstract(参考訳): 単級分類 (one-class classification, occ) は、訓練中に観測されるデータは単一の正のクラスから得られる多級分類の特別な場合である。
occの目標は、推論中に正のラベル付きクエリを認識できる表現および/または分類器を学ぶことである。
この話題は近年、コンピュータビジョン、機械学習、バイオメトリクスのコミュニティにかなりの関心を集めている。
本稿では,視覚認識のための古典的統計的および最近の深層学習に基づくOCC手法について調査する。
我々は、既存のoccアプローチのメリットと欠点を議論し、この分野の研究に有望な道筋を特定する。
さらに,occで一般的に使用されるデータセットと評価指標について考察する。
関連論文リスト
- Critical Review for One-class Classification: recent advances and the reality behind them [10.043491707625867]
本稿は,一級分類におけるプロミネント戦略を,その発端から現在の進歩まで合成する。
この記事は、一級実験を統括する画像異常検出アルゴリズム(AD)について、最先端(SOTA)を批判する。
論文 参考訳(メタデータ) (2024-04-27T15:04:30Z) - Hyperspectral Image Analysis with Subspace Learning-based One-Class
Classification [18.786429304405097]
ハイパースペクトル画像(HSI)分類は、環境モニタリング、医療画像、土地利用/土地被覆(LULC)分類など、多くの応用において重要な課題である。
本研究では,最近提案した1クラス分類(OCC)における部分空間学習手法について検討する。
このようにして、提案する分類フレームワークでは、個別の次元削減や特徴選択の手順は不要である。
LULC分類問題とリッチスペクトル情報(高次元)の不均衡ラベルを考えると,提案手法はHSIデータに適している。
論文 参考訳(メタデータ) (2023-04-19T15:17:05Z) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳(メタデータ) (2023-03-25T09:34:05Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳(メタデータ) (2022-12-23T00:50:41Z) - Parametric Classification for Generalized Category Discovery: A Baseline
Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。
パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。
エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文 参考訳(メタデータ) (2022-11-21T18:47:11Z) - Using Representation Expressiveness and Learnability to Evaluate
Self-Supervised Learning Methods [61.49061000562676]
本稿では,学習可能性を評価するためにCluster Learnability (CL)を導入する。
CLは、K-meansで表現をクラスタリングすることによって得られたラベルを予測するために訓練されたKNNのパフォーマンスで測定される。
CLは、他の競合する評価手法よりも分布内モデルの性能と相関することがわかった。
論文 参考訳(メタデータ) (2022-06-02T19:05:13Z) - Multi-view Deep One-class Classification: A Systematic Exploration [46.971116728339844]
1クラスの分類(OCC)は、異常検出のような領域に重要な応用を持つ長年のトピックでした。
文献からは議論されておらず、未定の話題である。
第一に、私たちの最良の知識に、これは正式にマルチビュー深いOCC問題を識別し、定式化する最初の作品です。
論文 参考訳(メタデータ) (2021-04-27T06:44:07Z) - Classifier Chains: A Review and Perspectives [3.752624871808558]
分類器連鎖と呼ばれる手法の系統は、多ラベル学習問題に対する一般的なアプローチとなっている。
この研究は、文献で提供される技術と拡張のレビューと、将来マルチラベル分類の分野におけるこのアプローチの展望を提供する。
論文 参考訳(メタデータ) (2019-12-26T11:44:54Z)
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。