論文の概要: Learning Class-level Prototypes for Few-shot Learning

• arxiv url: http://arxiv.org/abs/2108.11072v1
• Date: Wed, 25 Aug 2021 06:33:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 18:59:30.556162
• Title: Learning Class-level Prototypes for Few-shot Learning
• Title（参考訳）: 単発学習のためのクラスレベルプロトタイプの学習
• Authors: Minglei Yuan, Wenhai Wang, Tao Wang, Chunhao Cai, Qian Xu and Tong Lu
• Abstract要約: ほとんどラベル付きサンプルを使用して新しいカテゴリを認識することを目的としていない。 本稿では,少数のサポートデータから好適なプロトタイプを生成することを学べる,数ショット分類のためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 24.65076873131432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot learning aims to recognize new categories using very few labeled samples. Although few-shot learning has witnessed promising development in recent years, most existing methods adopt an average operation to calculate prototypes, thus limited by the outlier samples. In this work, we propose a simple yet effective framework for few-shot classification, which can learn to generate preferable prototypes from few support data, with the help of an episodic prototype generator module. The generated prototype is meant to be close to a certain \textit{\targetproto{}} and is less influenced by outlier samples. Extensive experiments demonstrate the effectiveness of this module, and our approach gets a significant raise over baseline models, and get a competitive result compared to previous methods on \textit{mini}ImageNet, \textit{tiered}ImageNet, and cross-domain (\textit{mini}ImageNet $\rightarrow$ CUB-200-2011) datasets.
• Abstract（参考訳）: ほとんどラベル付きサンプルを使用して新しいカテゴリを認識することを目的としていない。 近年の有望な開発は少ないが、既存の手法ではプロトタイプの計算に平均的な演算を採用しているため、外れたサンプルによって制限されている。 本研究では,エピソディックプロトタイプ生成モジュールを用いて,少数のサポートデータから好適なプロトタイプを生成することを学ぶための,単純かつ効果的なマイナショット分類フレームワークを提案する。 生成されたプロトタイプは特定の \textit{\targetproto{}} に近いことを意図しており、外れたサンプルの影響は少ない。 大規模な実験により,本モジュールの有効性が実証され,提案手法はベースラインモデルよりも大幅に向上し,従来手法である \textit{mini}ImageNet, \textit{tiered}ImageNet, cross-domain (\textit{mini}ImageNet $\rightarrow$ CUB-200-2011) のデータセットと比較して競合する結果が得られる。

関連論文リスト

• Correlation Weighted Prototype-based Self-Supervised One-Shot Segmentation of Medical Images [12.365801596593936]
  医用画像セグメンテーションは、十分な注釈付きデータが入手できない領域の1つである。 スーパーピクセルから生成された擬似ラベルを用いた,プロトタイプベースのワンショット学習フレームワークを提案する。 提案手法は,最先端の手法と同等に機能することを示す。
  論文  参考訳（メタデータ） (2024-08-12T15:38:51Z)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)
• ProtoDiff: Learning to Learn Prototypical Networks by Task-Guided Diffusion [44.805452233966534]
  プロトタイプベースのメタ学習は、数発の学習課題に対処するための強力なテクニックとして登場した。 ランダムノイズからタスク固有のプロトタイプを徐々に生成するフレームワークであるProtoDiffを紹介する。 我々は、基礎となるプロトタイプの分布を正確に捉える能力を示すために、徹底的なアブレーション研究を行っている。
  論文  参考訳（メタデータ） (2023-06-26T15:26:24Z)
• Transductive Few-shot Learning with Prototype-based Label Propagation by Iterative Graph Refinement [41.726774734996766]
  そこで本研究では,数ショット学習のためのプロトタイプベースのラベル伝搬手法を提案する。 具体的には, このグラフ構造は, サンプル間の関係ではなく, プロトタイプとサンプルの関係に基づいている。 ミニイメージネット, タイレッドイメージネット, CIFAR-FS, CUBデータセットでは, 提案手法が他の最先端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） (2023-04-23T10:09:26Z)
• SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
  Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。 先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。 このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
  論文  参考訳（メタデータ） (2021-04-19T11:21:47Z)
• Contrastive Prototype Learning with Augmented Embeddings for Few-Shot Learning [58.2091760793799]
  拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。 クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。 いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
  論文  参考訳（メタデータ） (2021-01-23T13:22:44Z)
• RNNP: A Robust Few-Shot Learning Approach [39.8046809855363]
  より堅牢な数ショット学習手法を提案する。 提案手法は, 少数の例から頑健なプロトタイプを生成することに依存する。 本手法は,標準のmini-ImageNetとhered-ImageNetデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-11-22T17:23:08Z)
• Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
  本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。 私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。 提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-07-13T11:03:09Z)
• Learning Sparse Prototypes for Text Generation [120.38555855991562]
  プロトタイプ駆動のテキスト生成は、トレーニングコーパス全体の保存とインデックスを必要とするため、テスト時に非効率である。 本稿では,言語モデリング性能を向上するスパースなプロトタイプサポートセットを自動的に学習する新しい生成モデルを提案する。 実験では,1000倍のメモリ削減を実現しつつ,従来のプロトタイプ駆動型言語モデルよりも優れていた。
  論文  参考訳（メタデータ） (2020-06-29T19:41:26Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• Prototype Refinement Network for Few-Shot Segmentation [6.777019450570474]
  本稿では,プロトタイプ・リファインメント・ネットワーク(PRNet)を提案する。 まず、既知のクラスのサポートとクエリの両方からプロトタイプを双方向に抽出することを学ぶ。 PRNetは1ショット設定で13.1%という大きなマージンで既存の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-10T07:06:09Z)

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。