論文の概要: Machine learning with limited data
- arxiv url: http://arxiv.org/abs/2101.11461v1
- Date: Mon, 18 Jan 2021 17:10:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 10:08:57.211968
- Title: Machine learning with limited data
- Title(参考訳): 限られたデータによる機械学習
- Authors: Fupin Yao
- Abstract要約: 我々は少数のショット画像分類を研究するが、我々はごく少数のラベル付きデータしか持っていない。
一つの方法は、これらの画像のスタイルを混ぜて画像の特徴を強化することです。
第2の方法は、画像のパッチ間の関係を探索するために空間的注意を適用することである。
- 参考スコア(独自算出の注目度): 1.2183405753834562
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Thanks to the availability of powerful computing resources, big data and deep
learning algorithms, we have made great progress on computer vision in the last
few years. Computer vision systems begin to surpass humans in some tasks, such
as object recognition, object detection, face recognition and pose estimation.
Lots of computer vision algorithms have been deployed to real world
applications and started to improve our life quality. However, big data and
labels are not always available. Sometimes we only have very limited labeled
data, such as medical images which requires experts to label them. In this
paper, we study few shot image classification, in which we only have very few
labeled data. Machine learning with little data is a big challenge. To tackle
this challenge, we propose two methods and test their effectiveness thoroughly.
One method is to augment image features by mixing the style of these images.
The second method is applying spatial attention to explore the relations
between patches of images. We also find that domain shift is a critical issue
in few shot learning when the training domain and testing domain are different.
So we propose a more realistic cross-domain few-shot learning with unlabeled
data setting, in which some unlabeled data is available in the target domain.
We propose two methods in this setting. Our first method transfers the style
information of the unlabeled target dataset to the samples in the source
dataset and trains a model with stylized images and original images. Our second
method proposes a unified framework to fully utilize all the data. Both of our
methods surpass the baseline method by a large margin.
- Abstract(参考訳): 強力なコンピューティングリソース、ビッグデータ、ディープラーニングアルゴリズムの可用性のおかげで、ここ数年でコンピュータビジョンに大きな進歩を遂げました。
コンピュータビジョンシステムは、物体認識、物体検出、顔認識、ポーズ推定など、いくつかのタスクで人間を超え始めます。
多くのコンピュータビジョンアルゴリズムが現実世界のアプリケーションにデプロイされ、私たちの生活の質を改善し始めた。
しかし、ビッグデータやラベルは必ずしも利用できない。
時には、専門家がラベルを付ける必要のある医療画像など、非常に限定されたラベルデータしか持っていないことがあります。
本稿では,少ないラベル付きデータしか持たない撮影画像分類について検討する。
小さなデータによる機械学習は大きな課題だ。
この課題に取り組むために,我々は2つの手法を提案し,その効果を徹底的に検証する。
1つの方法は、これらの画像のスタイルを混ぜることで、画像の特徴を強化することである。
第2の方法は、画像のパッチ間の関係を探索するために空間的注意を適用することである。
また、トレーニングドメインとテストドメインが異なる場合、わずかなショット学習では、ドメインシフトが重要な問題であることも分かりました。
そこで本稿では,ラベルのないデータセットを対象とする,より現実的なドメイン間数ショット学習を提案する。
この設定では2つの方法を提案する。
第1の方法は、ラベルのないターゲットデータセットのスタイル情報をソースデータセットのサンプルに転送し、スタイリッシュなイメージとオリジナルイメージでモデルをトレーニングする。
第2の方法は,すべてのデータを完全に活用するための統一フレームワークを提案する。
どちらの手法も基準法を大きなマージンで上回ります。
関連論文リスト
- CrossDehaze: Scaling Up Image Dehazing with Cross-Data Vision Alignment and Augmentation [47.425906124301775]
画像デハジングの課題に対処するために,先行と深層学習に基づく手法が提案されている。
本稿では,既存のデハージング手法を改善するために,内部および外部データ拡張の新しい手法を提案する。
提案手法は, 実際のヘイズフリー画像に最も近いデハズド画像のデハズ化やデハズド画像の生成において, 他の先進的手法よりも著しく優れている。
論文 参考訳(メタデータ) (2024-07-20T10:00:20Z) - CDFSL-V: Cross-Domain Few-Shot Learning for Videos [58.37446811360741]
ビデオのアクション認識は、いくつかのラベル付き例でのみ、新しいカテゴリを認識するための効果的なアプローチである。
既存のビデオアクション認識の方法は、同じドメインからの大きなラベル付きデータセットに依存している。
本稿では,自己教師付き学習とカリキュラム学習を活用した,クロスドメインな数ショットビデオ行動認識手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T19:44:27Z) - 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) - Scrape, Cut, Paste and Learn: Automated Dataset Generation Applied to
Parcel Logistics [58.720142291102135]
4つのステップでインスタンスセグメンテーションのための合成データセットを生成するために,完全に自動化されたパイプラインを提案する。
まず、人気のある画像検索エンジンから興味ある対象の画像を抽出する。
画像選択には,オブジェクトに依存しない事前処理,手動画像選択,CNNに基づく画像選択の3つの方法を比較する。
論文 参考訳(メタデータ) (2022-10-18T12:49:04Z) - Text-Based Person Search with Limited Data [66.26504077270356]
テキストベースの人物検索(TBPS)は、画像ギャラリーから対象人物を記述的なテキストクエリで検索することを目的としている。
限られたデータによってもたらされる問題に対処する2つの新しいコンポーネントを持つフレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-20T22:20:47Z) - Meta Self-Learning for Multi-Source Domain Adaptation: A Benchmark [3.6248855491320016]
近年,ディープラーニングに基づく手法は,コンピュータビジョン領域において有望な結果を示している。
一般的なディープラーニングモデルは大量のラベル付きデータを必要とします。
本稿では,メタ学習パラダイムと自己学習手法を組み合わせたメタ自己学習手法を提案する。
論文 参考訳(メタデータ) (2021-08-24T17:07:34Z) - AugNet: End-to-End Unsupervised Visual Representation Learning with
Image Augmentation [3.6790362352712873]
我々は、未ラベル画像の集合から画像特徴を学習するための新しいディープラーニングトレーニングパラダイムであるAugNetを提案する。
実験により,低次元空間における画像の表現が可能であることを実証した。
多くのディープラーニングベースの画像検索アルゴリズムとは異なり、我々のアプローチは外部アノテーション付きデータセットへのアクセスを必要としない。
論文 参考訳(メタデータ) (2021-06-11T09:02:30Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳(メタデータ) (2021-04-12T21:41:25Z) - Deep Traffic Sign Detection and Recognition Without Target Domain Real
Images [52.079665469286496]
本稿では,ターゲットドメインからの実際の画像を必要としない新しいデータベース生成手法と,(ii)交通標識のテンプレートを提案する。
この方法は、実際のデータでトレーニングを克服することではなく、実際のデータが利用できない場合に互換性のある代替手段になることを目的としている。
大規模なデータセットでは、完全に合成されたデータセットによるトレーニングは、実際のデータセットとトレーニングのパフォーマンスにほぼ一致する。
論文 参考訳(メタデータ) (2020-07-30T21:06:47Z) - Improving Object Detection with Selective Self-supervised Self-training [62.792445237541145]
本研究では,Web画像を利用した人為的対象検出データセットの強化について検討する。
画像と画像の検索によりWebイメージを検索し、他の検索手法に比べて、キュレートされたデータからのドメインシフトが少なくなる。
画像分類のためのラベルのないデータを探索する2つの並列処理をモチベーションとした新しい学習手法を提案する。
論文 参考訳(メタデータ) (2020-07-17T18:05:01Z) - 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。