論文の概要: A Decidability-Based Loss Function
- arxiv url: http://arxiv.org/abs/2109.05524v1
- Date: Sun, 12 Sep 2021 14:26:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 12:52:08.153832
- Title: A Decidability-Based Loss Function
- Title(参考訳): 決定可能性に基づく損失関数
- Authors: Pedro Silva and Gladston Moreira and Vander Freitas and Rodrigo Silva
and David Menotti and Eduardo Luz
- Abstract要約: 生体認証問題は、ディープラーニングモデルを使用して画像から特徴を抽出する。
本研究では,検証ルーチンの埋め込み品質を向上させるために,決定可能性指数に基づく損失関数を提案する。
提案手法は,4つのベンチマークにおいて,ソフトマックス(クロスエントロピー),トリプレットソフトハード,マルチ類似性損失に対して比較される。
- 参考スコア(独自算出の注目度): 2.5919311269669003
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays, deep learning is the standard approach for a wide range of
problems, including biometrics, such as face recognition and speech
recognition, etc. Biometric problems often use deep learning models to extract
features from images, also known as embeddings. Moreover, the loss function
used during training strongly influences the quality of the generated
embeddings. In this work, a loss function based on the decidability index is
proposed to improve the quality of embeddings for the verification routine. Our
proposal, the D-loss, avoids some Triplet-based loss disadvantages such as the
use of hard samples and tricky parameter tuning, which can lead to slow
convergence. The proposed approach is compared against the Softmax
(cross-entropy), Triplets Soft-Hard, and the Multi Similarity losses in four
different benchmarks: MNIST, Fashion-MNIST, CIFAR10 and CASIA-IrisV4. The
achieved results show the efficacy of the proposal when compared to other
popular metrics in the literature. The D-loss computation, besides being
simple, non-parametric and easy to implement, favors both the inter-class and
intra-class scenarios.
- Abstract(参考訳): 今日では、顔認識や音声認識などバイオメトリックスを含む幅広い問題に対して、ディープラーニングが標準的なアプローチとなっている。
バイオメトリックな問題は、しばしばディープラーニングモデルを使用して、埋め込みとして知られる画像から特徴を抽出する。
また,学習中のロス関数は,生成した組込みの品質に大きく影響する。
本研究では,検証ルーチンの埋め込み品質を向上させるために,決定可能性指数に基づく損失関数を提案する。
我々の提案であるD-lossは、ハードサンプルやトリッキーパラメータチューニングなど、トリプルトに基づく損失のいくつかを回避し、収束が遅くなる可能性がある。
提案手法は, mnist, fashion-mnist, cifar10, casia-irisv4の4種類のベンチマークにおいて, softmax (cross-entropy), triplets soft-hard, and multi similarity loss と比較した。
その結果,他の文献と比較すると,提案手法の有効性が示された。
D-loss計算は単純で非パラメトリックで実装が容易なだけでなく、クラス間とクラス内の両方のシナリオを好んでいる。
関連論文リスト
- AnyLoss: Transforming Classification Metrics into Loss Functions [21.34290540936501]
評価指標は、バイナリ分類タスクにおけるモデルの性能を評価するために使用することができる。
ほとんどのメトリクスは、非微分可能形式の混乱行列から派生しており、直接最適化できる微分可能損失関数を生成することは困難である。
本稿では,任意の混乱行列に基づく計量を,最適化プロセスで利用可能な損失関数 textitAnyLoss に変換する汎用的アプローチを提案する。
論文 参考訳(メタデータ) (2024-05-23T16:14:16Z) - Learning Prompt-Enhanced Context Features for Weakly-Supervised Video
Anomaly Detection [37.99031842449251]
弱い監督下での映像異常検出は重大な課題を呈する。
本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。
提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
論文 参考訳(メタデータ) (2023-06-26T06:45:16Z) - Deep Metric Learning with Soft Orthogonal Proxies [1.823505080809275]
本稿では,プロキシにソフト直交性(SO)制約を導入する新しいアプローチを提案する。
提案手法では,DMLの目的と合わせて,画像からコンテキスト特徴を抽出するエンコーダとして,データ効率の良い画像変換器(DeiT)を利用する。
提案手法が最先端手法よりも有意なマージンで優れていることを示す。
論文 参考訳(メタデータ) (2023-06-22T17:22:15Z) - SuSana Distancia is all you need: Enforcing class separability in metric
learning via two novel distance-based loss functions for few-shot image
classification [0.9236074230806579]
本稿では,少数のデータ間のクラス内距離とクラス間距離を調べることで,埋め込みベクトルの重要性を考慮に入れた2つの損失関数を提案する。
以上の結果から,miniImagenNetベンチマークの精度は,他のメトリクスベースの数ショット学習手法に比べて2%向上した。
論文 参考訳(メタデータ) (2023-05-15T23:12:09Z) - Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。
4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
論文 参考訳(メタデータ) (2023-01-18T04:54:58Z) - On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。
本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。
本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文 参考訳(メタデータ) (2022-02-25T13:47:09Z) - Adaptive neighborhood Metric learning [184.95321334661898]
適応的近傍距離距離学習(ANML)という新しい距離距離距離距離距離距離学習アルゴリズムを提案する。
ANMLは線形埋め込みと深層埋め込みの両方を学ぶのに使うことができる。
本手法で提案するemphlog-exp平均関数は,深層学習手法をレビューするための新たな視点を与える。
論文 参考訳(メタデータ) (2022-01-20T17:26:37Z) - Holistic Deep Learning [3.718942345103135]
本稿では、入力摂動、過度なパラメータ化、性能不安定といった脆弱性の課題に対処する、新しい総合的なディープラーニングフレームワークを提案する。
提案したフレームワークは、標準的なディープラーニングモデルよりも正確性、堅牢性、疎性、安定性を全面的に改善する。
論文 参考訳(メタデータ) (2021-10-29T14:46:32Z) - Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
適応的階層的類似度メトリック学習法を提案する。
ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。
提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
論文 参考訳(メタデータ) (2021-10-29T02:12:18Z) - Frequency-aware Discriminative Feature Learning Supervised by
Single-Center Loss for Face Forgery Detection [89.43987367139724]
顔の偽造検出は、コンピュータビジョンへの関心をますます高めている。
近年の業績は良好なものとなっているが、いまだに無視できない問題がある。
本稿では,新しい周波数認識型特徴学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-16T14:17:17Z) - A Unified Framework of Surrogate Loss by Refactoring and Interpolation [65.60014616444623]
勾配勾配を有する深層ネットワークのトレーニングにおいて,サロゲート損失を発生させる統一フレームワークUniLossを導入する。
3つのタスクと4つのデータセットに対するUniLossの有効性を検証する。
論文 参考訳(メタデータ) (2020-07-27T21:16:51Z)
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。