論文の概要: Bayesian Embeddings for Few-Shot Open World Recognition

• arxiv url: http://arxiv.org/abs/2107.13682v1
• Date: Thu, 29 Jul 2021 00:38:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-30 13:19:20.369378
• Title: Bayesian Embeddings for Few-Shot Open World Recognition
• Title（参考訳）: 開世界認識のためのベイズ埋め込み
• Authors: John Willes, James Harrison, Ali Harakeh, Chelsea Finn, Marco Pavone, Steven Waslander
• Abstract要約: 埋め込みベースの数ショット学習アルゴリズムをオープンワールド認識設定に拡張する。 当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。
• 参考スコア（独自算出の注目度）: 60.39866770427436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As autonomous decision-making agents move from narrow operating environments to unstructured worlds, learning systems must move from a closed-world formulation to an open-world and few-shot setting in which agents continuously learn new classes from small amounts of information. This stands in stark contrast to modern machine learning systems that are typically designed with a known set of classes and a large number of examples for each class. In this work we extend embedding-based few-shot learning algorithms to the open-world recognition setting. We combine Bayesian non-parametric class priors with an embedding-based pre-training scheme to yield a highly flexible framework which we refer to as few-shot learning for open world recognition (FLOWR). We benchmark our framework on open-world extensions of the common MiniImageNet and TieredImageNet few-shot learning datasets. Our results show, compared to prior methods, strong classification accuracy performance and up to a 12% improvement in H-measure (a measure of novel class detection) from our non-parametric open-world few-shot learning scheme.
• Abstract（参考訳）: 自律的な意思決定エージェントが狭い運用環境から非構造化の世界へと移行するにつれ、学習システムはクローズドワールドの定式化から、少量の情報から新しいクラスを継続的に学習するオープンワールドと少数のショットセッティングに移行する必要がある。 これは、一般的に既知のクラスのセットと、各クラスの多数の例で設計された現代の機械学習システムとは全く対照的である。 本研究では,組込み型少数ショット学習アルゴリズムをオープンワールド認識環境に拡張する。 ベイズ的非パラメトリッククラス事前学習と埋め込み型事前学習スキームを組み合わせることで,オープンワールド認識のための少数ショット学習(FLOWR)と呼ぶ,高度にフレキシブルなフレームワークを実現する。 当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。 その結果,従来の手法と比較して高い分類精度を示し,非パラメトリックなオープンワールド・マルチショット学習手法によるH尺度(新しいクラス検出尺度)の最大12%の改善が得られた。

関連論文リスト

• Deep Active Learning in the Open World [13.2318584850986]
  オープンワールドのシナリオにデプロイされた機械学習モデルは、よく馴染みのない状況に遭遇し、予期しない状況でうまく機能しない。 我々は、新しいOODクラスを組み込むことで、モデル適応性を高めるように設計されたオープンワールド環境のための新しい能動的学習アルゴリズムであるALOEを紹介する。 以上の結果から,既知のクラスのパフォーマンス向上と新たなクラス発見との重大なトレードオフが明らかとなり,オープンワールド機械学習の進歩のステージが整った。
  論文  参考訳（メタデータ） (2024-11-10T04:04:20Z)
• Detecting and Learning Out-of-Distribution Data in the Open world: Algorithm and Theory [15.875140867859209]
  この論文は、特にオープンワールドシナリオのコンテキストにおいて、機械学習の領域に貢献する。 オープンワールド機械学習に不可欠な2つの段階:アウト・オブ・ディストリビューション(OOD)検出とオープンワールド表現学習(ORL)
  論文  参考訳（メタデータ） (2023-10-10T00:25:21Z)
• Open-Set Automatic Target Recognition [52.27048031302509]
  オートマチックターゲット認識(Automatic Target Recognition、ATR)は、異なるセンサーから取得したデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。 既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。 ATRアルゴリズムのオープンセット認識機能を実現するためのオープンセット自動ターゲット認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-10T21:28:24Z)
• Open Long-Tailed Recognition in a Dynamic World [82.91025831618545]
  実世界のデータは、しばしば長い尾を持ち、(目に見えないクラスを持つ)オープンな分布を示す。 現実的な認識システムは、多数派(頭)クラスと少数派(尾)クラスの間でバランスを取り、分布を一般化し、見知らぬクラス(オープンクラス)のインスタンスで新規性を認める必要がある。 我々は,Open Long-Tailed Recognition++を,このような自然分布データからの学習として定義し,バランスの取れたテストセット上での分類精度を最適化する。
  論文  参考訳（メタデータ） (2022-08-17T15:22:20Z)
• Open-World Semi-Supervised Learning [66.90703597468377]
  本稿では,従来のクラスを認識するためにモデルを必要とする,新しいオープンワールド半教師付き学習環境を提案する。 データの分類とクラスタ化を同時に行うアプローチであるORCAを提案する。 我々は,ORCAが新しいクラスを正確に発見し,ベンチマーク画像分類データセット上で以前に見られたクラスにサンプルを割り当てることを示した。
  論文  参考訳（メタデータ） (2021-02-06T07:11:07Z)
• CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
  各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。 提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
  論文  参考訳（メタデータ） (2021-01-18T12:46:24Z)
• Task-Adaptive Negative Class Envision for Few-Shot Open-Set Recognition [36.53830822788852]
  新しいソースからのクエリに堅牢な認識システムを学ぶための、数発のオープンセット認識(FSOR)の問題について研究する。 オープン世界をモデル化する新しいタスク適応型負クラスビジュアライゼーション手法(tane)を提案する。 本手法は, オープンセット認識における最先端の性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-12-24T02:30:18Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)
• Boosting Deep Open World Recognition by Clustering [37.5993398894786]
  我々は、新たな損失定式化により、ディープ・オープンな世界認識アルゴリズムの性能を高める方法を示す。 本研究では,グローバルな1つの閾値を推定するのではなく,クラス固有の拒絶閾値を学習する戦略を提案する。 RGB-D ObjectとCore50の実験は、我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-04-20T12:07:39Z)

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。