論文の概要: Adversarial Motorial Prototype Framework for Open Set Recognition

• arxiv url: http://arxiv.org/abs/2108.04225v1
• Date: Tue, 13 Jul 2021 07:31:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-15 11:28:42.618134
• Title: Adversarial Motorial Prototype Framework for Open Set Recognition
• Title（参考訳）: オープンセット認識のためのadversarial motorial prototype framework
• Authors: Ziheng Xia, Penghui Wang, Ganggang Dong, and Hongwei Liu
• Abstract要約: オープンセット認識は、既知のクラスを特定し、未知のクラスを同時に拒否するように設計されている。 本稿では,プロトタイプ分類の考え方に基づき,既知のクラスを分類する運動プロトタイプフレームワーク(MPF)を提案する。 第2に,MPFに基づく逆運動プロトタイプフレームワーク(AMPF)を提案する。 第3に,AMPFのアップグレード版であるAMPF++を提案する。
• 参考スコア（独自算出の注目度）: 16.22539914400299
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open set recognition is designed to identify known classes and to reject unknown classes simultaneously. Specifically, identifying known classes and rejecting unknown classes correspond to reducing the empirical risk and the open space risk, respectively. First, the motorial prototype framework (MPF) is proposed, which classifies known classes according to the prototype classification idea. Moreover, a motorial margin constraint term is added into the loss function of the MPF, which can further improve the clustering compactness of known classes in the feature space to reduce both risks. Second, this paper proposes the adversarial motorial prototype framework (AMPF) based on the MPF. On the one hand, this model can generate adversarial samples and add these samples into the training phase; on the other hand, it can further improve the differential mapping ability of the model to known and unknown classes with the adversarial motion of the margin constraint radius. Finally, this paper proposes an upgraded version of the AMPF, AMPF++, which adds much more generated unknown samples into the training phase. In this paper, a large number of experiments prove that the performance of the proposed models is superior to that of other current works.
• Abstract（参考訳）: open set recognitionは既知のクラスを識別し、未知のクラスを同時に拒否するように設計されている。 具体的には、既知のクラスを特定し、未知のクラスを拒絶することは、それぞれ経験的リスクとオープンスペースリスクを減少させる。 まず、既知のクラスをプロトタイプ分類の考え方に従って分類する運動プロトタイプフレームワーク(MPF)を提案する。 さらに、MPFの損失関数に運動限界制約項を追加することにより、特徴空間における既知のクラスのクラスタリングコンパクト性をさらに向上し、両方のリスクを低減することができる。 第2に,MPFに基づく逆運動プロトタイプフレームワーク(AMPF)を提案する。 一方, このモデルでは, 対向的なサンプルを生成し, これらのサンプルをトレーニングフェーズに付加することができるが, 他方では, 辺制限半径の対向運動を持つ未知のクラスに対して, モデルの差分マッピング能力をさらに向上させることができる。 最後に、AMPFのアップグレード版AMPF++を提案する。 本稿では,提案するモデルの性能が,従来のモデルよりも優れていることを示す実験を多数行った。

関連論文リスト

• Few-shot Open Relation Extraction with Gaussian Prototype and Adaptive Margin [15.118656235473921]
  no-of-the-above (FsRE with NOTA) によるほとんどショット関係抽出は、未知のクラスを持つ数ショットシナリオでラベルを予測することを目的としている。 GPAM for FsRE with NOTA という,ガウスプロトタイプと適応マージンに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-27T03:16:09Z)
• Exploring Diverse Representations for Open Set Recognition [51.39557024591446]
  オープンセット認識(OSR)では、テスト中に未知のサンプルを拒絶しながら、クローズドセットに属するサンプルを分類する必要がある。 現在、生成モデルはOSRの差別モデルよりもよく機能している。 本稿では,多種多様な表現を識別的に学習するMulti-Expert Diverse Attention Fusion(MEDAF)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T11:40:22Z)
• Unified Classification and Rejection: A One-versus-All Framework [47.58109235690227]
  我々は,オープンな集合分類器を構築するための統一的なフレームワークを構築した。 K の $-class 問題を $ K $ 1-versus-all (OVA) のバイナリ分類タスクに分解することにより、OVA 分類器のスコアを組み合わせることで、$ (K+1) の $-class rear 確率が得られることを示す。 一般的なOSRおよびOOD検出データセットの実験により、提案するフレームワークは、単一のマルチクラス分類器を使用して、競合性能を得ることを示した。
  論文  参考訳（メタデータ） (2023-11-22T12:47:12Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
  オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。 本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。 複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-07-05T16:25:34Z)
• PMAL: Open Set Recognition via Robust Prototype Mining [31.326630023828187]
  プロトタイプマイニング・アンド・ラーニング(PMAL)フレームワークを提案する。 埋め込み空間を最適化するフェーズの前に、プロトタイプのマイニング機構を持つ。 提案手法は,最先端技術と比較して,優れた性能を示す。
  論文  参考訳（メタデータ） (2022-03-16T11:58:27Z)
• Adversarial Reciprocal Points Learning for Open Set Recognition [21.963137599375862]
  オープンセット認識(OSR)は、見たクラスを同時に分類し、見えないクラスを「未知」と識別することを目的としている。 我々は,マルチクラス統合の観点から,オープンスペースリスク問題を定式化する。 未知分布と未知分布の重複を最小限に抑えるために,ARPL(Adrial Reciprocal Point Learning)と呼ばれる新しい学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-01T12:25:45Z)
• 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)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。