論文の概要: CIM: Class-Irrelevant Mapping for Few-Shot Classification

• arxiv url: http://arxiv.org/abs/2109.02840v1
• Date: Tue, 7 Sep 2021 03:26:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 22:56:39.821578
• Title: CIM: Class-Irrelevant Mapping for Few-Shot Classification
• Title（参考訳）: CIM:Few-Shot分類のためのクラス関連マッピング
• Authors: Shuai Shao and Lei Xing and Yixin Chen and Yan-Jiang Wang and Bao-Di Liu and Yicong Zhou
• Abstract要約: FSC(Few-shot Classification)は近年のホットな問題の一つである。 事前訓練されたFEMを評価する方法は、FSCコミュニティにおいて最も重要な焦点である。 CIM(Class-Irrelevant Mapping)と呼ばれるシンプルなフレキシブルな手法を提案する。
• 参考スコア（独自算出の注目度）: 58.02773394658623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot classification (FSC) is one of the most concerned hot issues in recent years. The general setting consists of two phases: (1) Pre-train a feature extraction model (FEM) with base data (has large amounts of labeled samples). (2) Use the FEM to extract the features of novel data (with few labeled samples and totally different categories from base data), then classify them with the to-be-designed classifier. The adaptability of pre-trained FEM to novel data determines the accuracy of novel features, thereby affecting the final classification performances. To this end, how to appraise the pre-trained FEM is the most crucial focus in the FSC community. It sounds like traditional Class Activate Mapping (CAM) based methods can achieve this by overlaying weighted feature maps. However, due to the particularity of FSC (e.g., there is no backpropagation when using the pre-trained FEM to extract novel features), we cannot activate the feature map with the novel classes. To address this challenge, we propose a simple, flexible method, dubbed as Class-Irrelevant Mapping (CIM). Specifically, first, we introduce dictionary learning theory and view the channels of the feature map as the bases in a dictionary. Then we utilize the feature map to fit the feature vector of an image to achieve the corresponding channel weights. Finally, we overlap the weighted feature map for visualization to appraise the ability of pre-trained FEM on novel data. For fair use of CIM in evaluating different models, we propose a new measurement index, called Feature Localization Accuracy (FLA). In experiments, we first compare our CIM with CAM in regular tasks and achieve outstanding performances. Next, we use our CIM to appraise several classical FSC frameworks without considering the classification results and discuss them.
• Abstract（参考訳）: FSC(Few-shot Classification)は近年のホットな問題の一つである。 一般的な設定は、(1)基本データを持つ特徴抽出モデル(fem)を事前学習する(大量のラベル付きサンプルを持つ)。 2) FEMを用いて新しいデータの特徴を抽出し(ラベル付きサンプルがほとんどなく,基本データとは全く異なるカテゴリ),それらを分類する。 事前学習されたFEMの新規データへの適応性は、新しい特徴の精度を決定し、最終的な分類性能に影響を与える。 この目的のために、事前訓練されたFEMを評価する方法は、FSCコミュニティにおいて最も重要な焦点である。 従来のクラスアクティベートマッピング(CAM)ベースのメソッドは、重み付けされたフィーチャーマップをオーバーレイすることでこれを実現できるようです。 しかし、FSCの特異性(例えば、事前訓練されたFEMを使って新しい特徴を抽出する際のバックプロパゲーションがない)のため、新しいクラスで特徴マップを活性化することはできない。 この課題に対処するため,クラス関連マッピング(CIM)と呼ばれるシンプルで柔軟な手法を提案する。 具体的には,まず辞書学習理論を導入し,特徴地図のチャネルを辞書のベースとして見る。 次に,特徴マップを用いて画像の特徴ベクトルを適合させ,対応するチャネル重み付けを実現する。 最後に,重み付き特徴マップを重ね合わせて可視化し,新しいデータに対して事前学習したfemの能力を評価する。 異なるモデルの評価におけるCIMの公正な利用のために,FLA(Feature Localization Accuracy)と呼ばれる新しい測定指標を提案する。 実験では、まずCIMとCAMを通常のタスクで比較し、優れた性能を達成する。 次に、CIMを用いて、分類結果を考慮せずにいくつかの古典的FSCフレームワークを評価し、議論する。

関連論文リスト

• Learning Prompt with Distribution-Based Feature Replay for Few-Shot Class-Incremental Learning [56.29097276129473]
  分散型特徴再現(LP-DiF)を用いた学習プロンプト(Learning Prompt)という,シンプルで効果的なフレームワークを提案する。 新しいセッションでは,学習可能なプロンプトが古い知識を忘れないようにするため,擬似機能的リプレイ手法を提案する。 新しいセッションに進むと、古いクラスのディストリビューションと現在のセッションのトレーニングイメージを組み合わせて擬似フィーチャーをサンプリングして、プロンプトを最適化する。
  論文  参考訳（メタデータ） (2024-01-03T07:59:17Z)
• Revisiting Class-Incremental Learning with Pre-Trained Models: Generalizability and Adaptivity are All You Need [84.3507610522086]
  クラスインクリメンタルラーニング(Class-incremental Learning, CIL)は、古いクラスを忘れずに新しいクラスに適応することを目的としている。 近年の事前訓練は大きな進歩を遂げており、CILには膨大な事前訓練モデル(PTM)が利用できるようになった。 CILの中核となる要素は、モデル更新の適応性と知識伝達の一般化性である。
  論文  参考訳（メタデータ） (2023-03-13T17:59:02Z)
• Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
  汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。 我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。 私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-10-15T13:30:12Z)
• 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)
• PLATINUM: Semi-Supervised Model Agnostic Meta-Learning using Submodular Mutual Information [3.1845305066053347]
  FSC (Few-shot Classification) は、クラスごとに少数の(通常1から5までの)データポイントを使用するトレーニングモデルを必要とする。 サブモジュール相互情報(SMI)関数を用いてFSCの性能を向上する半教師付きモデル非依存メタラーニングフレームワークPLATINUMを提案する。
  論文  参考訳（メタデータ） (2022-01-30T22:07:17Z)
• Rank4Class: A Ranking Formulation for Multiclass Classification [26.47229268790206]
  マルチクラス分類(MCC)は基本的な機械学習問題である。 ランキングのレンズを通した新しい定式化により,MCCの性能を向上させることは容易であることを示す。
  論文  参考訳（メタデータ） (2021-12-17T19:22:37Z)
• Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
  本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。 提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
  論文  参考訳（メタデータ） (2021-12-14T08:25:24Z)
• Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
  クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。 既存のFSCモデルに対する新しいトレーニング手法を提案する。 説明誘導学習はモデル一般化を効果的に改善することを示す。
  論文  参考訳（メタデータ） (2020-07-17T07:28:08Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。