論文の概要: Mean Shift for Self-Supervised Learning
- arxiv url: http://arxiv.org/abs/2105.07269v1
- Date: Sat, 15 May 2021 17:42:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 08:23:17.404012
- Title: Mean Shift for Self-Supervised Learning
- Title(参考訳): 自己監督型学習における平均シフト
- Authors: Soroush Abbasi Koohpayegani, Ajinkya Tejankar, and Hamed Pirsiavash
- Abstract要約: 画像をグループ化して表現を学習する単純な平均シフトアルゴリズムを紹介します。
BYOLより200EpochsでのResNet50による画像ネット線形評価では72.4%の精度を実現した。
- 参考スコア(独自算出の注目度): 17.652439157554877
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most recent self-supervised learning (SSL) algorithms learn features by
contrasting between instances of images or by clustering the images and then
contrasting between the image clusters. We introduce a simple mean-shift
algorithm that learns representations by grouping images together without
contrasting between them or adopting much of prior on the structure of the
clusters. We simply "shift" the embedding of each image to be close to the
"mean" of its neighbors. Since in our setting, the closest neighbor is always
another augmentation of the same image, our model will be identical to BYOL
when using only one nearest neighbor instead of 5 as used in our experiments.
Our model achieves 72.4% on ImageNet linear evaluation with ResNet50 at 200
epochs outperforming BYOL. Our code is available here:
https://github.com/UMBCvision/MSF
- Abstract(参考訳): 最近の自己教師付き学習(SSL)アルゴリズムは、イメージのインスタンス間でのコントラスト、あるいはイメージクラスタ間のコントラストによって、機能を学ぶ。
本稿では,画像間の対比やクラスタ構造への事前適用をせずに,画像のグループ化によって表現を学習する単純な平均シフトアルゴリズムを提案する。
私たちは、各画像の埋め込みを、隣人の「平均」に近いように単に「シフト」します。
我々の設定では、最も近い隣人は、常に同じ画像の別の増大であるので、実験で使用される5ではなく1つの隣人を使う場合、我々のモデルはBYOLと同一である。
BYOLより200EpochsでのResNet50による画像ネット線形評価では72.4%の精度を実現した。
私たちのコードはここで入手できる。 https://github.com/umbcvision/msf
関連論文リスト
- CoNe: Contrast Your Neighbours for Supervised Image Classification [62.12074282211957]
Contrast Your Neighbours (CoNe)は、教師付き画像分類のための学習フレームワークである。
CoNeは、より適応的で洗練されたターゲットを生成するために、類似した隣人の特徴をアンカーとして採用している。
私たちのCoNeは、最近のTimトレーニングレシピを上回るResNet-50で、ImageNetの80.8%のTop-1精度を実現しています。
論文 参考訳(メタデータ) (2023-08-21T14:49:37Z) - GeneCIS: A Benchmark for General Conditional Image Similarity [21.96493413291777]
我々は「相似性」には多くの概念があり、人間のようにモデルがこれらのモデルに動的に適応できるべきだと論じている。
我々は、モデルが様々な類似性条件に適応する能力を測定するGeneCISベンチマークを提案する。
論文 参考訳(メタデータ) (2023-06-13T17:59:58Z) - Image Clustering via the Principle of Rate Reduction in the Age of Pretrained Models [37.574691902971296]
本稿では,大規模事前学習モデルの強力な特徴表現を利用した画像クラスタリングパイプラインを提案する。
パイプラインは、CIFAR-10、CIFAR-100、ImageNet-1kなどの標準データセットでうまく動作することを示す。
論文 参考訳(メタデータ) (2023-06-08T15:20:27Z) - Exploring the Limits of Deep Image Clustering using Pretrained Models [1.1060425537315088]
本稿では,事前学習した特徴抽出器を利用してラベルなしで画像の分類を学習する手法を提案する。
本稿では,画像特徴間の関連性を学習する新たな目的について提案する。
論文 参考訳(メタデータ) (2023-03-31T08:56:29Z) - Bag of Instances Aggregation Boosts Self-supervised Learning [122.61914701794296]
教師なし学習のための簡易かつ効果的な蒸留戦略を提案する。
BINGOと呼ばれる本手法は,教師が学習した関係を学生に伝達することを目的としている。
BINGOは、小規模モデルにおける最先端の新たなパフォーマンスを実現する。
論文 参考訳(メタデータ) (2021-07-04T17:33:59Z) - Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。
我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文 参考訳(メタデータ) (2021-07-03T01:28:42Z) - With a Little Help from My Friends: Nearest-Neighbor Contrastive
Learning of Visual Representations [87.72779294717267]
対比損失で最も近い隣り合わせを正として使用すると、ImageNet分類でパフォーマンスが大幅に向上します。
提案手法が複雑なデータ拡張に依存しないことを実証的に証明する。
論文 参考訳(メタデータ) (2021-04-29T17:56:08Z) - Unsupervised Learning of Visual Features by Contrasting Cluster
Assignments [57.33699905852397]
ペア比較の計算を必要とせず,コントラスト的手法を生かしたオンラインアルゴリズムSwaVを提案する。
本手法では,クラスタ割り当て間の一貫性を保ちながら,同時にデータをクラスタ化する。
我々の方法は大規模で小さなバッチで訓練でき、無制限のデータにスケールできる。
論文 参考訳(メタデータ) (2020-06-17T14:00:42Z) - SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。
表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。
我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文 参考訳(メタデータ) (2020-05-25T18:12:33Z)
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。