論文の概要: One-Class Meta-Learning: Towards Generalizable Few-Shot Open-Set
Classification
- arxiv url: http://arxiv.org/abs/2109.06859v1
- Date: Tue, 14 Sep 2021 17:52:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-15 17:42:23.019795
- Title: One-Class Meta-Learning: Towards Generalizable Few-Shot Open-Set
Classification
- Title（参考訳）: one-class meta-learning: 一般化可能なオープンセット分類に向けて
- Authors: Jedrzej Kozerawski, Matthew Turk
- Abstract要約: 本稿では,Meta Binary Cross-Entropy (Meta-BCE) とOne-class Meta-Learning (OCML) の2つの独立した単発一発一発分類手法を紹介する。
どちらの手法も、クローズドセットのパフォーマンスを低下させることなく、複数ショットのオープンセット設定で再トレーニングを行うことなく、既存の数ショットの学習方法を拡張することができる。
数発のマルチクラスのオープンセットと数発のワンクラスのタスクにおいて、最先端のメソッドを上回る。
- 参考スコア（独自算出の注目度）: 2.28438857884398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world classification tasks are frequently required to work in an
open-set setting. This is especially challenging for few-shot learning problems
due to the small sample size for each known category, which prevents existing
open-set methods from working effectively; however, most multiclass few-shot
methods are limited to closed-set scenarios. In this work, we address the
problem of few-shot open-set classification by first proposing methods for
few-shot one-class classification and then extending them to few-shot
multiclass open-set classification. We introduce two independent few-shot
one-class classification methods: Meta Binary Cross-Entropy (Meta-BCE), which
learns a separate feature representation for one-class classification, and
One-Class Meta-Learning (OCML), which learns to generate one-class classifiers
given standard multiclass feature representation. Both methods can augment any
existing few-shot learning method without requiring retraining to work in a
few-shot multiclass open-set setting without degrading its closed-set
performance. We demonstrate the benefits and drawbacks of both methods in
different problem settings and evaluate them on three standard benchmark
datasets, miniImageNet, tieredImageNet, and Caltech-UCSD-Birds-200-2011, where
they surpass the state-of-the-art methods in the few-shot multiclass open-set
and few-shot one-class tasks.
- Abstract（参考訳）: 実世界の分類タスクは、しばしばオープンセット環境で作業する必要がある。
これは、既知のカテゴリ毎のサンプルサイズが小さく、既存のオープンセットメソッドが効果的に動作しないため、少数ショット学習問題では特に難しいが、多くのマルチクラス少数ショットメソッドはクローズドセットシナリオに限定されている。
そこで本研究では,まず,1つのクラスを分類する手法を提案し,その後に複数種類のオープンセット分類に拡張することで,オープンセット分類の課題を解決した。
本稿では,メタバイナリ・クロス・エントロピー(Meta-BCE)と,標準マルチクラスの特徴表現を与えられた一クラスの特徴表現を生成するOne-class Meta-Learning(OCML)の2つの独立した一クラスの分類方法を紹介する。
どちらの方法も、クローズドセットのパフォーマンスを低下させることなく、複数クラスのオープンセット設定で再トレーニングする必要なしに、既存の少数ショット学習方法を拡張できる。
両手法の利点と欠点を異なる問題設定で実証し, miniImageNet, tieredImageNet, Caltech-UCSD-Birds-200-2011の3つの標準ベンチマークデータセットで評価した。
関連論文リスト
- Disambiguation of One-Shot Visual Classification Tasks: A Simplex-Based
Approach [8.436437583394998]
本稿では,複数の物体の存在を検出するための戦略を提案する。
この戦略は、高次元空間における単純体の角を識別することに基づいている。
提案手法は,極端設定における精度をわずかながら統計的に向上させる能力を示す。
論文 参考訳（メタデータ） (2023-01-16T11:37:05Z) - Bi-directional Feature Reconstruction Network for Fine-Grained Few-Shot
Image Classification [61.411869453639845]
クラス間およびクラス内変動を同時に対応できるバイコンストラクション機構を導入する。
この設計は、モデルがより微妙で差別的な特徴を探索するのに役立つ。
広範に使用されている3つのきめ細かな画像分類データセットに対する実験結果は、一貫して大幅に改善されている。
論文 参考訳（メタデータ） (2022-11-30T16:55:14Z) - Few-shot Open-set Recognition Using Background as Unknowns [58.04165813493666]
未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。
提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
論文 参考訳（メタデータ） (2022-07-19T04:19:29Z) - Task-Prior Conditional Variational Auto-Encoder for Few-Shot Image
Classification [0.0]
本稿では,タスクレベルの事前正規化を条件としたTP-VAEと呼ばれるタスク-プライア変分自動エンコーダモデルを提案する。
提案手法は,様々な標準的な数ショット画像分類シナリオにおいて,最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2022-05-30T11:57:57Z) - Multi-Modal Few-Shot Object Detection with Meta-Learning-Based
Cross-Modal Prompting [77.69172089359606]
本稿では,マルチモーダルな複数ショットオブジェクト検出(FSOD)について,少数ショット視覚例とクラスセマンティック情報の両方を用いて検討する。
我々のアプローチは、(メトリックベース)メタラーニングとプロンプトベースラーニングの高レベルな概念的類似性によって動機付けられている。
提案するマルチモーダルFSODモデルを,複数の複数ショットオブジェクト検出ベンチマークで総合的に評価し,有望な結果を得た。
論文 参考訳（メタデータ） (2022-04-16T16:45:06Z) - Learning Meta-class Memory for Few-Shot Semantic Segmentation [90.28474742651422]
全てのクラスで共有可能なメタ情報であるメタクラスの概念を導入する。
本稿では,メタクラスメモリをベースとした少ショットセグメンテーション手法 (MM-Net) を提案する。
提案したMM-Netは1ショット設定でCOCOデータセット上で37.5%のmIoUを達成する。
論文 参考訳（メタデータ） (2021-08-06T06:29:59Z) - Multi-scale Adaptive Task Attention Network for Few-Shot Learning [5.861206243996454]
少数ショット学習の目標は、ラベル付きサンプルの少ない未確認カテゴリを分類することである。
本稿では,マルチスケール適応タスク注意ネットワーク(MATANet)を提案する。
論文 参考訳（メタデータ） (2020-11-30T00:36:01Z) - Meta Learning for Few-Shot One-class Classification [0.0]
メタ学習問題として,一級分類における意味のある特徴の学習を定式化する。
これらの表現を学習するには、類似したタスクからのマルチクラスデータのみが必要である。
数ショットの分類データセットを、数ショットの1クラスの分類シナリオに適応させることで、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2020-09-11T11:35:28Z) - Few-Shot Image Classification via Contrastive Self-Supervised Learning [5.878021051195956]
本稿では,欠陥を修復するための教師なし数発学習の新たなパラダイムを提案する。
我々は2つのフェーズでいくつかの課題を解決した: 対照的な自己教師付き学習を通して、伝達可能な特徴抽出器をメタトレーニングする。
本手法は,標準的な数ショットの視覚的分類データセット上で,多数の確立された数ショットタスクにおいて,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-08-23T02:24:31Z) - Few-Shot Learning with Intra-Class Knowledge Transfer [100.87659529592223]
アンバランスなデータセットを用いた数発の分類タスクについて検討する。
近年の研究では、生成モデルを用いて数発の授業のトレーニングデータを増やすことで、この課題を解決することが提案されている。
本稿では,近隣クラスが類似した統計情報を共有するという直感で,近隣クラスからのクラス内知識を活用することを提案する。
論文 参考訳（メタデータ） (2020-08-22T18:15:38Z) - A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。
提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。
本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
論文 参考訳（メタデータ） (2020-07-03T18:23:39Z)
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。