論文の概要: A Unified Objective for Novel Class Discovery

• arxiv url: http://arxiv.org/abs/2108.08536v1
• Date: Thu, 19 Aug 2021 07:22:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-20 14:41:27.151157
• Title: A Unified Objective for Novel Class Discovery
• Title（参考訳）: 新しいクラス発見のための統一目的
• Authors: Enrico Fini and Enver Sangineto and St\'ephane Lathuili\`ere and Zhun Zhong and Moin Nabi and Elisa Ricci
• Abstract要約: 新たなクラスを発見するための統一目的関数(UNO)を導入する。 UNOは教師なし学習と教師なし学習の相乗効果を好んでいる。 その単純さにもかかわらず、UNOはいくつかのベンチマークで最先端の技術を誇っている。
• 参考スコア（独自算出の注目度）: 48.1003877511578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study the problem of Novel Class Discovery (NCD). NCD aims at inferring novel object categories in an unlabeled set by leveraging from prior knowledge of a labeled set containing different, but related classes. Existing approaches tackle this problem by considering multiple objective functions, usually involving specialized loss terms for the labeled and the unlabeled samples respectively, and often requiring auxiliary regularization terms. In this paper, we depart from this traditional scheme and introduce a UNified Objective function (UNO) for discovering novel classes, with the explicit purpose of favoring synergy between supervised and unsupervised learning. Using a multi-view self-labeling strategy, we generate pseudo-labels that can be treated homogeneously with ground truth labels. This leads to a single classification objective operating on both known and unknown classes. Despite its simplicity, UNO outperforms the state of the art by a significant margin on several benchmarks (~+10% on CIFAR-100 and +8% on ImageNet). The project page is available at: \url{https://ncd-uno.github.io}.
• Abstract（参考訳）: 本稿では,新しいクラス発見(NCD)の問題について考察する。 NCDは、異なるが関連するクラスを含むラベル付き集合の事前知識を活用して、ラベルなし集合で新しいオブジェクトカテゴリを推論することを目的としている。 既存のアプローチでは、通常ラベル付きサンプルとラベル付サンプルの特別な損失項を含む複数の目的関数を考慮し、しばしば補助正規化項を必要とする。 本稿では,この従来の手法から脱却し,教師なし学習と教師なし学習の相乗効果を優先して,新しいクラスを発見するための統一目的関数 (uno) を導入する。 多視点自己ラベル戦略を用いて、基底真理ラベルと均質に扱うことができる擬似ラベルを生成する。 これは、既知のクラスと未知のクラスの両方で動作する単一の分類目標につながる。 その単純さにもかかわらず、UNOはいくつかのベンチマーク(CIFAR-100で約10%、ImageNetで+8%)で最先端の成果を上げている。 プロジェクトページは \url{https://ncd-uno.github.io} で利用可能である。

関連論文リスト

• Active Generalized Category Discovery [60.69060965936214]
  GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。 我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。 提案手法は, 汎用および微粒なデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-07T07:12:24Z)
• MetaGCD: Learning to Continually Learn in Generalized Category Discovery [26.732455383707798]
  事前に定義されたクラスでトレーニングされたモデルが、ラベルのないデータに絶えず遭遇する実世界のシナリオを考察する。 目標は、既知のクラスのパフォーマンスを維持しながら、新しいクラスを継続的に発見することである。 そこで我々はMetaGCDと呼ばれる手法を提案し,忘れることなく漸進的に発見する方法を学習する。
  論文  参考訳（メタデータ） (2023-08-21T22:16:49Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• PromptCAL: Contrastive Affinity Learning via Auxiliary Prompts for Generalized Novel Category Discovery [39.03732147384566]
  Generalized Novel Category Discovery (GNCD) 設定は、既知のクラスや新しいクラスから来るラベルなしのトレーニングデータを分類することを目的としている。 本稿では,この課題に対処するために,PromptCALと呼ばれる補助視覚プロンプトを用いたコントラスト親和性学習法を提案する。 提案手法は,クラストークンと視覚的プロンプトのための既知のクラスと新しいクラスのセマンティッククラスタリングを改善するために,信頼性の高いペアワイズサンプル親和性を発見する。
  論文  参考訳（メタデータ） (2022-12-11T20:06:14Z)
• A Closer Look at Novel Class Discovery from the Labeled Set [13.31397670697559]
  新たなクラス発見(NCD)は、非結合クラスを含むラベル付き集合の事前知識を活用するラベル付きデータセットにおいて、新しいカテゴリを推論することを目的としている。 我々は,NCDがラベル付き集合よりも,ラベル付き集合と大きなセマンティック類似性を持つラベル付き集合の恩恵を受けることができるという仮説を提案し,実証する。 具体的には、ImageNet上のラベル付きデータセットとラベル付きデータセットのセマンティックな類似度が異なる、広範囲で大規模なベンチマークを確立する。
  論文  参考訳（メタデータ） (2022-09-19T15:41:44Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)
• Spacing Loss for Discovering Novel Categories [72.52222295216062]
  新たなクラスディスカバリ(NCD)は、マシンラーニングモデルがラベルのないデータからインスタンスを意味的にグループ化する、学習パラダイムである。 まず,ラベル付きデータとラベルなしデータを併用する必要があるかどうかに基づいて,既存のNCD手法を1段階および2段階の手法に特徴付ける。 多次元スケーリングのキューを用いて、潜在空間における分離性を強制する単純で強力な損失関数を考案する。
  論文  参考訳（メタデータ） (2022-04-22T09:37:11Z)
• Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
  我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。 これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-06-20T17:34:55Z)
• Multi-label Zero-shot Classification by Learning to Transfer from External Knowledge [36.04579549557464]
  マルチラベルゼロショット分類は、入力画像に対する複数の未知のクラスラベルを予測することを目的としている。 本稿では,外部知識の伝達を学習することで,新たなゼロショット分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-30T17:26:46Z)

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。