Fugu-MT 論文翻訳(概要): Leveraging Hierarchical Structures for Few-Shot Musical Instrument Recognition

論文の概要: Leveraging Hierarchical Structures for Few-Shot Musical Instrument Recognition

arxiv url: http://arxiv.org/abs/2107.07029v1
Date: Wed, 14 Jul 2021 22:50:24 GMT
ステータス: 処理完了
システム内更新日: 2021-07-17 03:30:26.090293
Title: Leveraging Hierarchical Structures for Few-Shot Musical Instrument Recognition
Title（参考訳）: 少数音節楽器認識のための階層構造の利用
Authors: Hugo Flores Garcia, Aldo Aguilar, Ethan Manilow, Bryan Pardo
Abstract要約: 我々は,楽器間の階層的関係を利用して,より広い範囲の楽器の分類を可能にする。非階層的な少数ショットベースラインと比較すると,本手法は分類精度が著しく向上し,訓練中に見つからない楽器類に対する誤り重大度が著しく低下する。
参考スコア（独自算出の注目度）: 9.768677073327423
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning work on musical instrument recognition has generally focused on instrument classes for which we have abundant data. In this work, we exploit hierarchical relationships between instruments in a few-shot learning setup to enable classification of a wider set of musical instruments, given a few examples at inference. We apply a hierarchical loss function to the training of prototypical networks, combined with a method to aggregate prototypes hierarchically, mirroring the structure of a predefined musical instrument hierarchy. These extensions require no changes to the network architecture and new levels can be easily added or removed. Compared to a non-hierarchical few-shot baseline, our method leads to a significant increase in classification accuracy and significant decrease mistake severity on instrument classes unseen in training.
Abstract（参考訳）: 楽器認識の深層学習は一般に、豊富なデータを持つ楽器クラスに焦点を当てている。本研究では,数発の学習環境において,楽器間の階層的関係を利用して,より広い範囲の楽器の分類を可能にする。原型ネットワークのトレーニングに階層的損失関数を適用し、事前定義された楽器階層の構造を反映してプロトタイプを階層的に集約する手法を組み合わせる。これらの拡張はネットワークアーキテクチャの変更を必要とせず、新しいレベルを容易に追加または削除できる。非階層的な少数ショットベースラインと比較すると,本手法は分類精度が著しく向上し,訓練中に見つからない楽器類に対する誤り重大度が著しく低下する。

関連論文リスト

Harnessing Superclasses for Learning from Hierarchical Databases [1.835004446596942]
多くの大規模分類問題において、クラスは既知の階層に整理され、通常木として表される。この種の教師付き階層分類の損失について紹介する。提案手法では,クロスエントロピーの損失に比較して,計算コストの大幅な増大は伴わない。
論文参考訳（メタデータ） (2024-11-25T14:39:52Z)
Phononic materials with effectively scale-separated hierarchical features using interpretable machine learning [57.91994916297646]
構造的階層的な音波材料は、複数の周波数範囲にわたるエラストダイナミック波と振動の有望なチューニング性を引き起こしている。本稿では、各長さスケールの特徴が対象周波数範囲内の帯域ギャップをもたらす階層単位セルを求める。提案手法は,階層型設計空間における新しい領域の探索を柔軟かつ効率的に行う手法である。
論文参考訳（メタデータ） (2024-08-15T21:35:06Z)
Classification and Reconstruction Processes in Deep Predictive Coding Networks: Antagonists or Allies? [0.0]
ビジュアルコンピューティングのための予測符号化にインスパイアされたディープネットワークは、共有中間層における分類と再構成プロセスを統合する。ディープラーニングアーキテクチャにおけるインタラクションの分類と再構築について、批判的な考察をしている。分類駆動情報は中間層の共有表現における再構成駆動情報を減少させる。
論文参考訳（メタデータ） (2024-01-17T14:34:32Z)
Structural Concept Learning via Graph Attention for Multi-Level Rearrangement Planning [2.7195102129095003]
本稿では,階層構造を持つシーンに対して,複数レベルのオブジェクトアレンジメント計画を実行するためのディープラーニング手法を提案する。直感的な構造を持つ自己生成シミュレーションデータセットでトレーニングされ、任意の数のオブジェクトで見えないシーンで動作する。提案手法を古典的およびモデルベースラインの範囲と比較し,そのシーン理解を活用して性能,柔軟性,効率性を向上することを示す。
論文参考訳（メタデータ） (2023-09-05T19:35:44Z)
Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文参考訳（メタデータ） (2023-06-20T03:00:22Z)
Bi-directional Feature Reconstruction Network for Fine-Grained Few-Shot Image Classification [61.411869453639845]
クラス間およびクラス内変動を同時に対応できるバイコンストラクション機構を導入する。この設計は、モデルがより微妙で差別的な特徴を探索するのに役立つ。広範に使用されている3つのきめ細かな画像分類データセットに対する実験結果は、一貫して大幅に改善されている。
論文参考訳（メタデータ） (2022-11-30T16:55:14Z)
Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
論文参考訳（メタデータ） (2022-04-27T21:41:44Z)
The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
論文参考訳（メタデータ） (2022-03-10T23:35:00Z)
Timbre Classification of Musical Instruments with a Deep Learning Multi-Head Attention-Based Model [1.7188280334580197]
この研究の目的は、できるだけ少ないパラメータで異なる楽器の音色を識別できるモデルを定義することである。楽器が同じ音符を同じ強度で演奏している場合でも、音色で楽器を分類する能力を評価することが可能である。
論文参考訳（メタデータ） (2021-07-13T16:34:19Z)
MetaPerturb: Transferable Regularizer for Heterogeneous Tasks and Architectures [61.73533544385352]
本稿ではメタパーターブ(MetaPerturb)というトランスファー可能な摂動モデルを提案する。 MetaPerturbは、レイヤやタスクにまたがる多様な分散を訓練したセット関数であるため、異種タスクやアーキテクチャを一般化することができる。
論文参考訳（メタデータ） (2020-06-13T02:54:59Z)
Learn Class Hierarchy using Convolutional Neural Networks [0.9569316316728905]
画像の階層的分類のための新しいアーキテクチャを提案し、クロスエントロピー損失関数と中心損失を組み合わせた深層線形層を導入する。階層型分類器は,コンピュータビジョンタスクへの応用を見出す従来の分類手法の利点を示す。
論文参考訳（メタデータ） (2020-05-18T12:06:43Z)

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。