論文の概要: Generalized One-Class Learning Using Pairs of Complementary Classifiers

• arxiv url: http://arxiv.org/abs/2106.13272v1
• Date: Thu, 24 Jun 2021 18:52:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 03:35:40.167172
• Title: Generalized One-Class Learning Using Pairs of Complementary Classifiers
• Title（参考訳）: 相補的分類器のペアを用いた一般化一クラス学習
• Authors: Anoop Cherian and Jue Wang
• Abstract要約: 1クラス学習は、単一のクラスでのみアノテーションが利用できるデータにモデルを適合させる古典的な問題である。 本稿では,一級学習の新たな目的を探求し,これを一般化一級識別サブスペース(GODS)と呼ぶ。
• 参考スコア（独自算出の注目度）: 41.64645294104883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One-class learning is the classic problem of fitting a model to the data for which annotations are available only for a single class. In this paper, we explore novel objectives for one-class learning, which we collectively refer to as Generalized One-class Discriminative Subspaces (GODS). Our key idea is to learn a pair of complementary classifiers to flexibly bound the one-class data distribution, where the data belongs to the positive half-space of one of the classifiers in the complementary pair and to the negative half-space of the other. To avoid redundancy while allowing non-linearity in the classifier decision surfaces, we propose to design each classifier as an orthonormal frame and seek to learn these frames via jointly optimizing for two conflicting objectives, namely: i) to minimize the distance between the two frames, and ii) to maximize the margin between the frames and the data. The learned orthonormal frames will thus characterize a piecewise linear decision surface that allows for efficient inference, while our objectives seek to bound the data within a minimal volume that maximizes the decision margin, thereby robustly capturing the data distribution. We explore several variants of our formulation under different constraints on the constituent classifiers, including kernelized feature maps. We demonstrate the empirical benefits of our approach via experiments on data from several applications in computer vision, such as anomaly detection in video sequences, human poses, and human activities. We also explore the generality and effectiveness of GODS for non-vision tasks via experiments on several UCI datasets, demonstrating state-of-the-art results.
• Abstract（参考訳）: 1クラス学習は、単一のクラスでのみアノテーションが利用できるデータにモデルを適合させる古典的な問題である。 本稿では,一級学習の新たな目的について検討し,これを総称して一般化一級識別部分空間(Generalized One-class Discriminative Subspaces,GODS)と呼ぶ。 我々のキーとなる考え方は、一階データ分布を柔軟に束縛する補完的分類器のペアを学習することであり、そのデータは補的ペア内の1つの分類器の正の半空間に属し、他方の負の半空間に属する。 分類器決定面の非線形性を確保しつつ冗長性を回避するため,各分類器を正規直交フレームとして設計し,両者の相反する2つの目的,すなわち,2つのフレーム間の距離を最小化してフレームとデータ間のマージンを最大化することでこれらのフレームを学習することを提案する。 したがって、学習された正規直交フレームは、効率的な推論を可能にする分割線形決定曲面を特徴付けるが、我々の目標は、決定マージンを最大化する最小ボリューム内でデータをバインドし、データ分布を堅牢に捉えることである。 我々は,カーネル化特徴写像を含む構成分類器の異なる制約下での定式化のいくつかの変種について検討する。 我々は,映像シーケンスの異常検出,人間のポーズ,人間の活動など,コンピュータビジョンにおける複数のアプリケーションからのデータを用いた実験を通じて,このアプローチの実証的メリットを実証する。 また、複数のUCIデータセットの実験を通じて、非ビジョンタスクに対するGODSの汎用性と有効性について検討し、最先端の結果を示す。

関連論文リスト

• 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)
• Neural Collapse Terminus: A Unified Solution for Class Incremental Learning and Its Variants [166.916517335816]
  本稿では,3つの課題における不整合ジレンマに対する統一解を提案する。 ラベル空間全体の最大等角的クラス間分離を有する固定構造である神経崩壊終端を提案する。 本手法は,データ不均衡やデータ不足にかかわらず,神経崩壊最適度を漸進的に保持する。
  論文  参考訳（メタデータ） (2023-08-03T13:09:59Z)
• DiGeo: Discriminative Geometry-Aware Learning for Generalized Few-Shot Object Detection [39.937724871284665]
  汎用的な少ショットオブジェクト検出は、豊富なアノテーションと限られたトレーニングデータを持つ新しいクラスで、両方のベースクラス上で正確な検出を実現することを目的としている。 既存のアプローチは、ベースクラスのパフォーマンスを犠牲にして、数ショットの一般化を促進する。 クラス間分離とクラス内コンパクト性の幾何学的特徴を学習するための新しいトレーニングフレームワークDiGeoを提案する。
  論文  参考訳（メタデータ） (2023-03-16T22:37:09Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Learning a Discriminant Latent Space with Neural Discriminant Analysis [7.074386822875744]
  我々は、ディープ畳み込みニューラルネットワーク(DCNN)のためのニューラル識別分析(NDA)と呼ばれる最適化を提案する。 NDAは、深い特徴をより差別的になるように変換し、様々なタスクのパフォーマンスを改善する。 我々は、NDA最適化を、一般的な教師付き分類、きめ細かい分類、半教師付き学習、分布検出など、さまざまな研究分野において評価する。
  論文  参考訳（メタデータ） (2021-07-13T16:06:07Z)
• Adaptive Prototypical Networks with Label Words and Joint Representation Learning for Few-Shot Relation Classification [17.237331828747006]
  本研究は,少ショット関係分類(FSRC)に焦点を当てる。 クラスプロトタイプの表現にラベル単語を追加するための適応的混合機構を提案する。 FewRelでは、異なる数ショット(FS)設定で実験が行われた。
  論文  参考訳（メタデータ） (2021-01-10T11:25:42Z)
• Learning Robust Representation for Clustering through Locality Preserving Variational Discriminative Network [16.259673823482665]
  Variational Deep Embeddingは、さまざまなクラスタリングタスクで大きな成功を収めます。 VaDEは,1)入力ノイズに弱い,2)隣接するデータポイント間の局所性情報を無視する,という2つの問題に悩まされている。 強固な埋め込み判別器と局所構造制約によりvadeを改善する共同学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-25T02:31:55Z)
• Learning by Minimizing the Sum of Ranked Range [58.24935359348289]
  本稿では,学習目標を定式化するための一般的なアプローチとして,ランキング範囲(SoRR)の和を紹介した。 ランク付き範囲は、実数の集合のソートされた値の連続的なシーケンスである。 我々は,SoRRフレームワークの最小化のための機械学習における2つの応用,すなわち,バイナリ分類のためのAoRR集約損失とマルチラベル/マルチクラス分類のためのTKML個人損失について検討する。
  論文  参考訳（メタデータ） (2020-10-05T01:58:32Z)

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。