論文の概要: Deep Compact Polyhedral Conic Classifier for Open and Closed Set Recognition

• arxiv url: http://arxiv.org/abs/2102.12570v1
• Date: Wed, 24 Feb 2021 21:38:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-27 09:01:26.460699
• Title: Deep Compact Polyhedral Conic Classifier for Open and Closed Set Recognition
• Title（参考訳）: 開閉集合認識のための深部コンパクト多面体円錐分類器
• Authors: Hakan Cevikalp, Bedirhan Uzun, Okan K\"op\"ukl\"u, Gurkan Ozturk
• Abstract要約: 提案手法は多面体円錐関数幾何を用いた優れた解釈を持つ。 実験の結果,提案手法は他の最先端手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 17.86376652494798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a new deep neural network classifier that simultaneously maximizes the inter-class separation and minimizes the intra-class variation by using the polyhedral conic classification function. The proposed method has one loss term that allows the margin maximization to maximize the inter-class separation and another loss term that controls the compactness of the class acceptance regions. Our proposed method has a nice geometric interpretation using polyhedral conic function geometry. We tested the proposed method on various visual classification problems including closed/open set recognition and anomaly detection. The experimental results show that the proposed method typically outperforms other state-of-the art methods, and becomes a better choice compared to other tested methods especially for open set recognition type problems.
• Abstract（参考訳）: 本稿では,多面体コニック分類関数を用いてクラス間分離を最大化し,クラス内変動を最小化する,新しいディープニューラルネットワーク分類器を提案する。 提案手法は,クラス間分離を最大化するマージン最大化が可能なロス項と,クラス受け入れ領域のコンパクト性を制御するロス項とを有する。 提案手法は多面体円錐関数幾何を用いた素晴らしく幾何学的解釈を有する。 閉開集合認識や異常検出など,様々な視覚的分類問題に対して,提案手法を検証した。 実験の結果,提案手法は他の最先端手法よりも優れており,特にオープンセット認識型問題に対して,他のテスト手法よりも優れた選択法であることがわかった。

関連論文リスト

• Assouad, Fano, and Le Cam with Interaction: A Unifying Lower Bound Framework and Characterization for Bandit Learnability [71.82666334363174]
  我々は,統計的推定と対話的意思決定において,下位境界法のための統一的なフレームワークを開発する。 対話型意思決定のための新しい下位境界の複雑さを促進する新しい尺度である決定次元を導入する。
  論文  参考訳（メタデータ） (2024-10-07T15:14:58Z)
• Anti-Collapse Loss for Deep Metric Learning Based on Coding Rate Metric [99.19559537966538]
  DMLは、分類、クラスタリング、検索といった下流タスクのための識別可能な高次元埋め込み空間を学習することを目的としている。 埋め込み空間の構造を維持し,特徴の崩壊を避けるために,反崩壊損失と呼ばれる新しい損失関数を提案する。 ベンチマークデータセットの総合実験により,提案手法が既存の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-03T13:44:20Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Deep Simplex Classifier for Maximizing the Margin in Both Euclidean and Angular Spaces [18.309720578916146]
  本稿では,ユークリッド空間と角空間の両辺を同時に最大化する新しい分類損失を提案する。 提案手法は,その単純さに拘わらず,オープンセット認識における最先端の精度を実現する。
  論文  参考訳（メタデータ） (2022-12-22T14:37:47Z)
• Supervised Dimensionality Reduction and Classification with Convolutional Autoencoders [1.1164202369517053]
  畳み込みオートエンコーダを組み合わせることで、教師付き次元の減少と予測を同時に生成する。 結果として得られるラテント空間は、伝統的な解釈可能な分類アルゴリズムを改善するために利用することができる。 提案手法は, 生成した潜在空間を通してのデータ構造だけでなく, 分類行動についても, 高度な説明可能性を導入している。
  論文  参考訳（メタデータ） (2022-08-25T15:18:33Z)
• MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
  近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。 本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。 特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
  論文  参考訳（メタデータ） (2021-07-23T06:57:08Z)
• Divergence Regulated Encoder Network for Joint Dimensionality Reduction and Classification [2.989889278970106]
  新規なヒストグラムニューラルネットワークを用いて関節寸法低減および分類を行う方法を検討する。 一般的な次元削減手法である t-Distributed Neighbor Embedding (t-SNE) により,本手法は低次元埋め込み空間における試料に計算された分類損失を組み込む。 以上の結果から,提案手法は分類性能を維持・/または向上させ,他のアプリケーションに役立つかもしれないニューラルネットワークの特徴を明らかにする。
  論文  参考訳（メタデータ） (2020-12-31T17:39:02Z)
• 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)
• There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
  正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。 このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。 本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:58:08Z)

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。