論文の概要: Multi-level Metric Learning for Few-shot Image Recognition

• arxiv url: http://arxiv.org/abs/2103.11383v1
• Date: Sun, 21 Mar 2021 12:49:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-25 06:36:39.580093
• Title: Multi-level Metric Learning for Few-shot Image Recognition
• Title（参考訳）: 画像認識のためのマルチレベルメトリック学習
• Authors: Haoxing Chen and Huaxiong Li and Yaohui Li and Chunlin Chen
• Abstract要約: 我々は、クエリイメージが3レベルの類似度メトリクスによって同時に分類できるなら、クラス内のクエリイメージはより小さな機能空間でより強く分散することができると主張する。 そこで本研究では,画素レベルの類似性だけでなく,部分レベルの特徴の類似性や分布の類似性も考慮した,マルチレベル・メトリック・ラーニング(MML)手法を提案する。
• 参考スコア（独自算出の注目度）: 5.861206243996454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot learning is devoted to training a model on few samples. Recently, the method based on local descriptor metric-learning has achieved great performance. Most of these approaches learn a model based on a pixel-level metric. However, such works can only measure the relations between them on a single level, which is not comprehensive and effective. We argue that if query images can simultaneously be well classified via three distinct level similarity metrics, the query images within a class can be more tightly distributed in a smaller feature space, generating more discriminative feature maps. Motivated by this, we propose a novel Multi-level Metric Learning (MML) method for few-shot learning, which not only calculates the pixel-level similarity but also considers the similarity of part-level features and the similarity of distributions. First, we use a feature extractor to get the feature maps of images. Second, a multi-level metric module is proposed to calculate the part-level, pixel-level, and distribution-level similarities simultaneously. Specifically, the distribution-level similarity metric calculates the distribution distance (i.e., Wasserstein distance, Kullback-Leibler divergence) between query images and the support set, the pixel-level, and the part-level metric calculates the pixel-level and part-level similarities respectively. Finally, the fusion layer fuses three kinds of relation scores to obtain the final similarity score. Extensive experiments on popular benchmarks demonstrate that the MML method significantly outperforms the current state-of-the-art methods.
• Abstract（参考訳）: 少数ショット学習は、少数のサンプルでモデルをトレーニングすることに専念する。 近年,局所ディスクリプタを用いたメトリックラーニング手法が大きな成果を上げている。 これらのアプローチのほとんどは、ピクセルレベルのメトリックに基づいてモデルを学ぶ。 しかし、そのような作品はそれらの間の関係を単一のレベルでしか測定できないため、包括的で効果的ではない。 問合せ画像が3つの異なるレベルの類似度指標で同時に分類できる場合、クラス内の問合せ画像はより小さな特徴空間でより密に分布し、より差別的な特徴マップを生成することができる。 そこで本研究では,画素レベルの類似性だけでなく,部分レベルの特徴の類似性や分布の類似性も考慮した,マルチレベル・メトリック・ラーニング(MML)手法を提案する。 まず,特徴抽出器を用いて画像の特徴マップを取得する。 第2に,部分レベル,画素レベル,分布レベルの類似性を同時に計算するために,マルチレベルメトリックモジュールを提案する。 具体的には、分散レベル類似度メトリックは、クエリ画像とサポートセットと、画素レベルと、部分レベル類似度とをそれぞれ算出し、各画素レベル類似度を算出する。 最後に、融合層は3種類の関係スコアを融合して最終類似点を得る。 一般的なベンチマーク実験により、MML法は現在の最先端手法よりも大幅に優れていることが示された。

関連論文リスト

• Layer-Wise Feature Metric of Semantic-Pixel Matching for Few-Shot Learning [14.627378118194933]
  Few-Shot Learningでは、伝統的なメトリクスベースのアプローチは、しばしば類似性を計算するためにグローバルなメトリクスに依存する。 自然界では、キーインスタンスの空間配置は画像間で矛盾することが多い。 本稿では,セマンティック・ピクチャー・マッチングのレイヤワイズ特徴量と呼ばれる新しい手法を提案し,より詳細な比較を行う。
  論文  参考訳（メタデータ） (2024-11-10T05:12:24Z)
• Learning Spatial Similarity Distribution for Few-shot Object Counting [17.28147599627954]
  Few-shot Object counting は、クエリイメージ内のオブジェクトの数を、与えられた模範画像と同じクラスに属するものとしてカウントすることを目的としている。 既存の手法では、2次元空間領域におけるクエリ画像と例間の類似性を計算し、回帰してカウント数を求める。 本稿では,空間的特徴の空間的構造を保存した少数のオブジェクトカウントのためのネットワーク学習型空間的類似度分布(SSD)を提案する。
  論文  参考訳（メタデータ） (2024-05-20T04:15:59Z)
• Hierarchical Matching and Reasoning for Multi-Query Image Retrieval [113.44470784756308]
  マルチクエリ画像検索のための階層マッチング・推論ネットワーク(HMRN)を提案する。 MQIRを3つの階層的なセマンティック表現に分解し、きめ細かい局所的な詳細、文脈的グローバルスコープ、高レベルの固有の相関をキャプチャする責任を負う。 我々のHMRNは最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2023-06-26T07:03:56Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
  セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。 画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
  論文  参考訳（メタデータ） (2021-09-22T18:34:14Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Towards Interpretable Deep Metric Learning with Structural Matching [86.16700459215383]
  より透過的な埋め込み学習のための深層解釈可能なメトリック学習(DIML)法を提案する。 本手法は,既製のバックボーンネットワークやメトリック学習手法に適用可能な,モデルに依存しない手法である。 我々は,CUB200-2011,Cars196,Stanford Online Productsの3つの大規模メトリクス学習ベンチマークで評価を行った。
  論文  参考訳（メタデータ） (2021-08-12T17:59:09Z)
• Multi-scale Adaptive Task Attention Network for Few-Shot Learning [5.861206243996454]
  少数ショット学習の目標は、ラベル付きサンプルの少ない未確認カテゴリを分類することである。 本稿では,マルチスケール適応タスク注意ネットワーク(MATANet)を提案する。
  論文  参考訳（メタデータ） (2020-11-30T00:36:01Z)
• BSNet: Bi-Similarity Network for Few-shot Fine-grained Image Classification [35.50808687239441]
  いわゆるtextitBi-Similarity Network (textitBSNet) を提案する。 両相似モジュールは、多様な特性の2つの類似度尺度に従って特徴写像を学習する。 このようにして、モデルはより差別的で類似度に富んだ特徴を、よりきめ細かい画像の少ないショットから学習することができる。
  論文  参考訳（メタデータ） (2020-11-29T08:38:17Z)
• Asymmetric Distribution Measure for Few-shot Learning [82.91276814477126]
  メトリクスベースの少数ショット画像分類は、クエリ画像とサポートクラスの関係を測定することを目的としている。 本稿では,非対称分布測定(ADM)ネットワークを提案する。 5ドルの$-wayの$-shotタスクで最先端のメソッドよりも3.02%の$と1.56%の$を達成しています。
  論文  参考訳（メタデータ） (2020-02-01T06:41:52Z)

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。