論文の概要: Few-shot Open-set Recognition by Transformation Consistency
- arxiv url: http://arxiv.org/abs/2103.01537v1
- Date: Tue, 2 Mar 2021 07:37:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:27:15.566836
- Title: Few-shot Open-set Recognition by Transformation Consistency
- Title（参考訳）: 変換一貫性による数発オープンセット認識
- Authors: Minki Jeong, Seokeon Choi, Changick Kim
- Abstract要約: SnaTCHerと呼ばれる、疑似未知のサンプルを必要としない新しい未知クラスのサンプル検出器を提案します。
本手法は,変換整合性に基づいて,変換されたプロトタイプと修正されたプロトタイプセットとの差を測定する。
提案手法は,未知のクラス分布推定問題を疑似未知のクラスサンプルとは独立に,相対的な特徴変換問題に変更する。
- 参考スコア（独自算出の注目度）: 30.757030359718048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we attack a few-shot open-set recognition (FSOSR) problem,
which is a combination of few-shot learning (FSL) and open-set recognition
(OSR). It aims to quickly adapt a model to a given small set of labeled samples
while rejecting unseen class samples. Since OSR requires rich data and FSL
considers closed-set classification, existing OSR and FSL methods show poor
performances in solving FSOSR problems. The previous FSOSR method follows the
pseudo-unseen class sample-based methods, which collect pseudo-unseen samples
from the other dataset or synthesize samples to model unseen class
representations. However, this approach is heavily dependent on the composition
of the pseudo samples. In this paper, we propose a novel unknown class sample
detector, named SnaTCHer, that does not require pseudo-unseen samples. Based on
the transformation consistency, our method measures the difference between the
transformed prototypes and a modified prototype set. The modified set is
composed by replacing a query feature and its predicted class prototype.
SnaTCHer rejects samples with large differences to the transformed prototypes.
Our method alters the unseen class distribution estimation problem to a
relative feature transformation problem, independent of pseudo-unseen class
samples. We investigate our SnaTCHer with various prototype transformation
methods and observe that our method consistently improves unseen class sample
detection performance without closed-set classification reduction.
- Abstract（参考訳）: 本稿では,FSL ( few-shot Learning) とOSR (open-set recognition) を組み合わせたFSOSR ( few-shot open-set recognition) 問題に対処する。
目立たないクラスのサンプルを拒絶しながら、与えられた小さなラベル付きサンプルセットに迅速にモデルを適用することを目指しています。
OSRはリッチなデータを必要とし、FSLは閉集合分類を考慮するため、既存のOSRとFSL法はFSOSR問題を解決する上で性能が悪い。
以前のFSOSR法は擬似未見のクラス標本ベース法に従っており、他のデータセットから擬似未見のサンプルを収集するか、サンプルを合成して未見のクラス表現をモデル化する。
しかし、このアプローチは疑似サンプルの組成に大きく依存しています。
本論文では,疑似未知のサンプルを必要としない新規な未知クラスの試料検出器であるSnaTCHerを提案する。
本手法は,変換整合性に基づいて,変換されたプロトタイプと修正されたプロトタイプセットとの差を測定する。
修正セットはクエリ機能とその予測クラスプロトタイプを置き換えることで構成される。
SnaTCHerは変換されたプロトタイプと大きく異なるサンプルを拒絶する。
提案手法は,未知のクラス分布推定問題を疑似未知のクラスサンプルとは独立に,相対的な特徴変換問題に変更する。
SnaTCHerを様々なプロトタイプ変換法で検討し、閉集合分類の低減なしに、見当たらないサンプル検出性能を一貫して改善することを観察します。
関連論文リスト
- Few-Shot Class Incremental Learning via Robust Transformer Approach [16.590193619691416]
Few-Shot Class-Incremental Learningは,データ不足の問題にモデルが直面しているクラス増分学習問題の拡張を提示する。
この問題は、最近のすべての研究が、準最適に実行される畳み込みニューラルネットワークの上に構築されているため、未解決の問題のままである。
本稿では,コンパクト畳み込み変換器を用いたロバスト変換器を提案する。
論文 参考訳（メタデータ） (2024-05-08T03:35:52Z) - Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。
1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。
本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。
本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
論文 参考訳（メタデータ） (2024-01-15T03:33:39Z) - Efficient Failure Pattern Identification of Predictive Algorithms [15.02620042972929]
本稿では,人間のアノテータチームとシーケンシャルレコメンデーションアルゴリズムからなる人間機械協調フレームワークを提案する。
その結果、様々な信号対雑音比で複数のデータセット上でのフレームワークの競合性能を実証的に実証した。
論文 参考訳（メタデータ） (2023-06-01T14:54:42Z) - Intra-class Adaptive Augmentation with Neighbor Correction for Deep
Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。
クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。
本手法は,検索性能の最先端手法を3%～6%向上させる。
論文 参考訳（メタデータ） (2022-11-29T14:52:38Z) - Large-Scale Open-Set Classification Protocols for ImageNet [0.0]
Open-Set Classification (OSC) は、実世界のシナリオにクローズドセットの分類モデルを適用することを目的としている。
本稿では,未知のクラスと未知のクラスの間で,異なるレベルの類似性を持つ自然画像のリッチなデータセットを提供する3つのオープンセットプロトコルを提案する。
本稿では,ディープラーニングモデルのトレーニングが既知のサンプルの分類と未知のサンプルの拒絶の両方に対処するかどうかを評価するために,新しい検証基準を提案する。
論文 参考訳（メタデータ） (2022-10-13T07:01:34Z) - Imbalanced Classification via a Tabular Translation GAN [4.864819846886142]
本稿では,多数のサンプルを対応する合成マイノリティ標本にマッピングするために,新たな正規化損失を用いたジェネレーティブ・アドバイサル・ネットワークに基づくモデルを提案する。
提案手法は, 再加重法やオーバーサンプリング法と比較して, 平均精度を向上することを示す。
論文 参考訳（メタデータ） (2022-04-19T06:02:53Z) - CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。
CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。
我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-10-26T20:14:30Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳（メタデータ） (2021-09-27T01:09:08Z) - Exploring Complementary Strengths of Invariant and Equivariant
Representations for Few-Shot Learning [96.75889543560497]
多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。
少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。
幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
論文 参考訳（メタデータ） (2021-03-01T21:14:33Z) - Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。
FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。
MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文 参考訳（メタデータ） (2020-07-18T09:48:29Z)
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。