論文の概要: CondNet: Conditional Classifier for Scene Segmentation

• arxiv url: http://arxiv.org/abs/2109.10322v1
• Date: Tue, 21 Sep 2021 17:19:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 14:38:17.759681
• Title: CondNet: Conditional Classifier for Scene Segmentation
• Title（参考訳）: CondNet:シーンセグメンテーションのための条件付き分類器
• Authors: Changqian Yu and Yuanjie Shao and Changxin Gao and Nong Sang
• Abstract要約: 従来のグローバル分類器を置き換える条件付き分類器を提案する。 クラス内での区別に参画し、より高密度な認識能力に繋がる。 条件付き分類器(CondNetと呼ばれる)を備えたフレームワークは、2つのデータセットで新しい最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 46.62529212678346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fully convolutional network (FCN) has achieved tremendous success in dense visual recognition tasks, such as scene segmentation. The last layer of FCN is typically a global classifier (1x1 convolution) to recognize each pixel to a semantic label. We empirically show that this global classifier, ignoring the intra-class distinction, may lead to sub-optimal results. In this work, we present a conditional classifier to replace the traditional global classifier, where the kernels of the classifier are generated dynamically conditioned on the input. The main advantages of the new classifier consist of: (i) it attends on the intra-class distinction, leading to stronger dense recognition capability; (ii) the conditional classifier is simple and flexible to be integrated into almost arbitrary FCN architectures to improve the prediction. Extensive experiments demonstrate that the proposed classifier performs favourably against the traditional classifier on the FCN architecture. The framework equipped with the conditional classifier (called CondNet) achieves new state-of-the-art performances on two datasets. The code and models are available at https://git.io/CondNet.
• Abstract（参考訳）: 完全畳み込みネットワーク(FCN)はシーンセグメンテーションのような密集した視覚認識タスクにおいて大きな成功を収めた。 FCNの最終層は通常、各ピクセルをセマンティックラベルに認識するためのグローバル分類器(1x1畳み込み)である。 このグローバルな分類器は,クラス内区別を無視して,準最適結果をもたらす可能性があることを実証的に示す。 本研究では,従来のグローバルな分類器を置き換える条件付き分類器を提案する。 新しい分類器の主な利点は次のとおりである。 (i)クラス内の区別に従い、より密集した認識能力に繋がる。 (II)条件分類器は単純で柔軟であり、予測を改善するためにほぼ任意のFCNアーキテクチャに統合される。 大規模実験により,提案した分類器は,FCNアーキテクチャ上の従来の分類器に対して良好に動作することが示された。 条件付き分類器(condnet)を備えたフレームワークは、2つのデータセットで新たな最先端のパフォーマンスを実現する。 コードとモデルはhttps://git.io/condnetで入手できる。

関連論文リスト

• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• Neural Collapse Inspired Feature-Classifier Alignment for Few-Shot Class Incremental Learning [120.53458753007851]
  FSCIL(Few-shot class-incremental Learning)は、新しいセッションにおいて、新しいクラスごとにいくつかのトレーニングサンプルしかアクセスできないため、難しい問題である。 我々は最近発見された神経崩壊現象にインスパイアされたFSCILのこの不整合ジレンマに対処する。 我々は、FSCILのための神経崩壊誘発フレームワークを提案する。MiniImageNet、CUB-200、CIFAR-100データセットの実験により、提案したフレームワークが最先端のパフォーマンスより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)
• Prototype Based Classification from Hierarchy to Fairness [7.129830575525267]
  新しいニューラルネットワークアーキテクチャである概念サブスペースネットワーク(CSN)は、既存の特殊分類器を一般化して統一モデルを生成する。 CSNは、概念独立を強制する際、最先端の結果を公平に分類する。 CSNは、解釈可能性を促進する既存のプロトタイプベースの分類器にインスパイアされている。
  論文  参考訳（メタデータ） (2022-05-27T14:21:41Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)
• Self-Supervised Classification Network [3.8073142980733]
  自己監視型エンドツーエンド分類ニューラルネットワークはラベルと表現を同時に学習する。 大規模なImageNetデータセットでうまく機能する最初の監視されていないエンドツーエンドの分類ネットワーク。
  論文  参考訳（メタデータ） (2021-03-19T19:29:42Z)
• A Multiple Classifier Approach for Concatenate-Designed Neural Networks [13.017053017670467]
  私たちは、ネットワークセット間で生成された特徴を収集する分類器の設計を与えます。 我々はL2正規化法を用いて、Softmax Denseの代わりに分類スコアを得る。 その結果、提案された分類器は実験ケースの精度を向上させることができる。
  論文  参考訳（メタデータ） (2021-01-14T04:32:40Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)

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。