論文の概要: Counterfactual Zero-Shot and Open-Set Visual Recognition

• arxiv url: http://arxiv.org/abs/2103.00887v1
• Date: Mon, 1 Mar 2021 10:20:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 17:26:47.291127
• Title: Counterfactual Zero-Shot and Open-Set Visual Recognition
• Title（参考訳）: ゼロショットとオープンセット視覚認識
• Authors: Zhongqi Yue, Tan Wang, Hanwang Zhang, Qianru Sun, Xian-Sheng Hua
• Abstract要約: Zero-Shot Learning (ZSL) と Open-Set Recognition (OSR) の両方に対する新しい反実用フレームワークを提案する。 我々の考えは、目に見えないクラスのための生成されたサンプルは、しばしば真の分布から外れているという観察に由来する。 当社のフレームワークが見掛け/見当たらない不均衡を効果的に緩和し,全体的なパフォーマンスを大幅に向上させることを示す。
• 参考スコア（独自算出の注目度）: 95.43275761833804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel counterfactual framework for both Zero-Shot Learning (ZSL) and Open-Set Recognition (OSR), whose common challenge is generalizing to the unseen-classes by only training on the seen-classes. Our idea stems from the observation that the generated samples for unseen-classes are often out of the true distribution, which causes severe recognition rate imbalance between the seen-class (high) and unseen-class (low). We show that the key reason is that the generation is not Counterfactual Faithful, and thus we propose a faithful one, whose generation is from the sample-specific counterfactual question: What would the sample look like, if we set its class attribute to a certain class, while keeping its sample attribute unchanged? Thanks to the faithfulness, we can apply the Consistency Rule to perform unseen/seen binary classification, by asking: Would its counterfactual still look like itself? If ``yes'', the sample is from a certain class, and ``no'' otherwise. Through extensive experiments on ZSL and OSR, we demonstrate that our framework effectively mitigates the seen/unseen imbalance and hence significantly improves the overall performance. Note that this framework is orthogonal to existing methods, thus, it can serve as a new baseline to evaluate how ZSL/OSR models generalize. Codes are available at https://github.com/yue-zhongqi/gcm-cf.
• Abstract（参考訳）: ゼロショット学習 (ZSL) とオープンセット認識 (OSR) の双方に対して, 目に見えるクラスのみをトレーニングすることで, 目に見えないクラスに一般化することの共通の課題を提示する。 我々の考えは、見知らぬクラスのための生成されたサンプルは、しばしば真の分布から外れ、見知らぬクラス(高)と見知らぬクラス(低)の認識率の深刻な不均衡を引き起こすという観察に由来する。 主な理由は、生成が反事実的信条ではないことを示し、したがって、その生成はサンプル固有の反事実的問題から導かれる忠実なものを提案する:もし、そのクラス属性をあるクラスに設定し、そのサンプル属性を不変に保ちながら、サンプルはどのように見えるか? 忠実さのおかげで、Consistency Ruleを適用して、見えない/見えないバイナリ分類を実行できます。 もし `yes'' なら、サンプルは特定のクラスからであり、 ``no'' はそうでない。 ZSL と OSR に関する広範な実験を通じて,我々のフレームワークは見かけ/見えない不均衡を効果的に軽減し,全体的な性能を著しく改善することを示した。 このフレームワークは既存のメソッドと直交するため、ZSL/OSRモデルがどのように一般化するかを評価するための新しいベースラインとして機能します。 コードはhttps://github.com/yue-zhongqi/gcm-cfで入手できる。

関連論文リスト

• Few-Shot Class-Incremental Learning via Training-Free Prototype Calibration [67.69532794049445]
  既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。 我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-08T18:24:08Z)
• Zero-Shot Logit Adjustment [89.68803484284408]
  Generalized Zero-Shot Learning (GZSL) は意味記述に基づく学習技術である。 本稿では,分類器の改良を無視しつつ,ジェネレータの効果を高める新しい世代ベース手法を提案する。 実験により,提案手法が基本生成器と組み合わせた場合の最先端化を実現し,様々なゼロショット学習フレームワークを改良できることが実証された。
  論文  参考訳（メタデータ） (2022-04-25T17:54:55Z)
• Exemplar-free Class Incremental Learning via Discriminative and Comparable One-class Classifiers [12.121885324463388]
  インクリメンタルラーニングのための識別・比較可能な1クラス分類器(DisCOIL)という新しいフレームワークを提案する。 DisCOILはPOCの基本原理に従っているが、他の確立された1クラス分類器(ディープSVDDなど)の代わりに変分自動エンコーダ(VAE)を採用している。 この利点により、DisCOILは新クラスのVAEと対照的に新クラスのVAEを訓練し、新クラスのVAEは新クラスのサンプルに対してより良い再構築を強いるが、旧クラスの偽のサンプルではさらに悪化し、改良された。
  論文  参考訳（メタデータ） (2022-01-05T07:16:34Z)
• Classifier Crafting: Turn Your ConvNet into a Zero-Shot Learner! [5.3556221126231085]
  畳み込みニューラルネットワークをゼロショット学習器にキャストすることで,ゼロショット学習(zsl)に取り組む。 我々は、これらの固定分類規則に一致するように、観測されたクラスのデータ駆動およびZSL関連機能表現を学習する。 ZSL推論は、私たちが学んだのと全く同じ表現を維持しながら、テスト時に分類ルールのプールを拡大することで実行できます。
  論文  参考訳（メタデータ） (2021-03-20T06:26:29Z)
• CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
  各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。 提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
  論文  参考訳（メタデータ） (2021-01-18T12:46:24Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• A Boundary Based Out-of-Distribution Classifier for Generalized Zero-Shot Learning [83.1490247844899]
  Generalized Zero-Shot Learning (GZSL)は多くの現実的なシナリオにおいて有望な見通しを持つ挑戦的なトピックである。 本研究では,見知らぬ領域を学習用サンプルのみを用いて分類する境界に基づくアウト・オブ・ディストリビューション(OOD)分類器を提案する。 我々は、AWA1、AWA2、CUB、FLO、SUNを含む5つの人気のあるベンチマークデータセットに対して、我々のアプローチを広範囲に検証する。
  論文  参考訳（メタデータ） (2020-08-09T11:27:19Z)

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。