論文の概要: Self-Promoted Prototype Refinement for Few-Shot Class-Incremental
Learning
- arxiv url: http://arxiv.org/abs/2107.08918v1
- Date: Mon, 19 Jul 2021 14:31:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 14:54:51.987952
- Title: Self-Promoted Prototype Refinement for Few-Shot Class-Incremental
Learning
- Title(参考訳): Few-Shot Class-Incremental Learning のための自己促進型プロトタイプリファインメント
- Authors: Kai Zhu, Yang Cao, Wei Zhai, Jie Cheng, Zheng-Jun Zha
- Abstract要約: クラスインクリメンタルな学習は、サンプルが少ないと新しいクラスを認識し、古いクラスを忘れないことである。
本稿では,様々なエピソードに特徴表現を適応させる新しいインクリメンタルなプロトタイプ学習手法を提案する。
3つのベンチマークデータセットの実験では、上記の段階的なパフォーマンスを示し、それぞれ13%、17%、11%のマージンで最先端のメソッドを上回っている。
- 参考スコア(独自算出の注目度): 81.10531943939365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot class-incremental learning is to recognize the new classes given few
samples and not forget the old classes. It is a challenging task since
representation optimization and prototype reorganization can only be achieved
under little supervision. To address this problem, we propose a novel
incremental prototype learning scheme. Our scheme consists of a random episode
selection strategy that adapts the feature representation to various generated
incremental episodes to enhance the corresponding extensibility, and a
self-promoted prototype refinement mechanism which strengthens the expression
ability of the new classes by explicitly considering the dependencies among
different classes. Particularly, a dynamic relation projection module is
proposed to calculate the relation matrix in a shared embedding space and
leverage it as the factor for bootstrapping the update of prototypes. Extensive
experiments on three benchmark datasets demonstrate the above-par incremental
performance, outperforming state-of-the-art methods by a margin of 13%, 17% and
11%, respectively.
- Abstract(参考訳): クラスインクリメンタルな学習は、サンプルが少ないと新しいクラスを認識し、古いクラスを忘れないことである。
表現の最適化とプロトタイプの再編成は、わずかな監督の下でしか達成できないので、これは難しいタスクです。
そこで本研究では,新しいインクリメンタルプロトタイプ学習手法を提案する。
本手法は,様々な生成したインクリメンタルエピソードに特徴表現を適応させ,対応する拡張性を高めるランダムエピソード選択戦略と,異なるクラス間の依存関係を明示的に考慮し,新しいクラスの表現能力を強化する自己プロモートプロトタイプ改良機構からなる。
特に、共有埋め込み空間における関係行列を計算し、プロトタイプのアップデートをブートストラップする要因として活用するために動的関係投影モジュールが提案されている。
3つのベンチマークデータセットに関する広範な実験は、上記のほぼインクリメンタルなパフォーマンスを示し、最先端のメソッドを13%、17%、11%のマージンで上回っている。
関連論文リスト
- Federated Class-Incremental Learning with Prototype Guided Transformer [45.043064116390866]
現実の状況では、各クライアントは新しいクラスを動的に学習し、グローバルモデルが新しいクラスと古いクラスの区別能力を維持する必要がある。
低通信コスト下での破滅的忘れとデータ不均一性の効果を効果的に軽減するために,我々はPLoRAという簡易かつ効果的な手法を考案した。
本手法は, 様々なシナリオやデータの不均一性の程度において, 強靭性と優越性を示す。
論文 参考訳(メタデータ) (2024-01-04T06:46:19Z) - KOPPA: Improving Prompt-based Continual Learning with Key-Query
Orthogonal Projection and Prototype-based One-Versus-All [26.506535205897443]
本稿では,新しいキークエリ学習戦略を導入し,マッチング効率を向上し,機能変更の課題に対処する。
提案手法は,現在の最先端手法を最大20%の差で超えた結果を達成するためのモデルである。
論文 参考訳(メタデータ) (2023-11-26T20:35:19Z) - Non-exemplar Class-incremental Learning by Random Auxiliary Classes
Augmentation and Mixed Features [37.51376572211081]
クラス増分学習(クラス増分学習)とは、古いクラスのサンプルを保存することなく、新しいクラスと古いクラスを分類することである。
本稿では,Random Auxiliary Class Augmentation と Mixed Feature を組み合わせたRAMF と呼ばれる実効非経験的手法を提案する。
論文 参考訳(メタデータ) (2023-04-16T06:33:43Z) - Harmonizing Base and Novel Classes: A Class-Contrastive Approach for
Generalized Few-Shot Segmentation [78.74340676536441]
本稿では,プロトタイプの更新を規制し,プロトタイプ間の距離を広くするために,クラス間のコントラスト損失とクラス関係損失を提案する。
提案手法は,PASCAL VOC および MS COCO データセット上での一般化された小ショットセグメンテーションタスクに対して,新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2023-03-24T00:30:25Z) - CAD: Co-Adapting Discriminative Features for Improved Few-Shot
Classification [11.894289991529496]
少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。
最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。
本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
論文 参考訳(メタデータ) (2022-03-25T06:14:51Z) - Self-Sustaining Representation Expansion for Non-Exemplar
Class-Incremental Learning [138.35405462309456]
非典型的なクラス増分学習は、古いクラスサンプルを保存できない場合に、古いクラスと新しいクラスの両方を認識することである。
提案手法は,メインブランチ拡張とサイドブランチ更新を融合して旧機能を維持する構造再構成戦略から成り立っている。
蒸留プロセスに新しい試料を選択的に組み込むことにより, 旧クラスと新クラスの識別性を高めるための試作機選択機構を提案する。
論文 参考訳(メタデータ) (2022-03-12T06:42:20Z) - Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。
新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。
本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文 参考訳(メタデータ) (2021-11-18T06:58:19Z) - Dual Prototypical Contrastive Learning for Few-shot Semantic
Segmentation [55.339405417090084]
本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。
第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。
提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-11-09T08:14:50Z) - Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。
PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。
PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
論文 参考訳(メタデータ) (2020-05-11T09:53:36Z)
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。