論文の概要: A novel network training approach for open set image recognition
- arxiv url: http://arxiv.org/abs/2109.12756v1
- Date: Mon, 27 Sep 2021 01:47:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-29 07:13:12.912604
- Title: A novel network training approach for open set image recognition
- Title(参考訳): オープンセット画像認識のための新しいネットワークトレーニング手法
- Authors: Md Tahmid Hossaina, Shyh Wei Teng, Guojun Lu, Ferdous Sohel
- Abstract要約: 我々は、"Known UnknownTrainer"やKUTセットをマイニングし、OSRNet(Deep OSR Network)を設計するための新しいアプローチを提案する。
OSRNetは、KKの高い分類精度を維持しながらUUを検出することができる。
- 参考スコア(独自算出の注目度): 7.888131635057012
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convolutional Neural Networks (CNNs) are commonly designed for closed set
arrangements, where test instances only belong to some "Known Known" (KK)
classes used in training. As such, they predict a class label for a test sample
based on the distribution of the KK classes. However, when used under the Open
Set Recognition (OSR) setup (where an input may belong to an "Unknown Unknown"
or UU class), such a network will always classify a test instance as one of the
KK classes even if it is from a UU class. As a solution, recently, data
augmentation based on Generative Adversarial Networks(GAN) has been used. In
this work, we propose a novel approach for mining a "Known UnknownTrainer" or
KUT set and design a deep OSR Network (OSRNet) to harness this dataset. The
goal isto teach OSRNet the essence of the UUs through KUT set, which is
effectively a collection of mined "hard Known Unknown negatives". Once trained,
OSRNet can detect the UUs while maintaining high classification accuracy on
KKs. We evaluate OSRNet on six benchmark datasets and demonstrate it
outperforms contemporary OSR methods.
- Abstract(参考訳): 畳み込みニューラルネットワーク(CNN)は一般に、テストインスタンスがトレーニングで使用される"Known Known"(KK)クラスに属するようなクローズドな設定のために設計されている。
そのため、KKクラスの分布に基づいて、テストサンプルのクラスラベルを予測する。
しかしながら、Open Set Recognition (OSR) 設定で使用される場合(入力が "Unknown Unknown" または UU クラスに属する場合)、そのようなネットワークは常にテストインスタンスを UU クラスからでも KK クラスの1つに分類する。
近年,GAN(Generative Adversarial Networks)に基づくデータ拡張が用いられている。
本研究では,「既知の未知トレーナー」またはkutセットをマイニングし,このデータセットを活用するためのディープosrネットワーク(osrnet)を設計するための新しい手法を提案する。
目標は、OSRNetがKUTセットを通じてUUの本質を教えることである。
トレーニングが完了すると、OSRNetはKKの高い分類精度を維持しながらUUを検出することができる。
我々は,OSRNetを6つのベンチマークデータセット上で評価し,OSR法よりも優れた性能を示す。
関連論文リスト
- The Devil is in the Wrongly-classified Samples: Towards Unified Open-set
Recognition [61.28722817272917]
Open-set Recognition (OSR) は、トレーニングプロセス中にクラスが見えないテストサンプルを特定することを目的としている。
近年,Unified Open-set Recognition (UOSR) が提案されている。
論文 参考訳(メタデータ) (2023-02-08T11:34:04Z) - Open-Set Automatic Target Recognition [52.27048031302509]
オートマチックターゲット認識(Automatic Target Recognition、ATR)は、異なるセンサーから取得したデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。
既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。
ATRアルゴリズムのオープンセット認識機能を実現するためのオープンセット自動ターゲット認識フレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-10T21:28:24Z) - Logits are predictive of network type [47.64219291655723]
どのディープネットワークが与えられたロジットベクトルを生成したのかを、確率よりはるかに高い精度で予測することが可能である。
データセット上には、ランダムな重みや事前訓練された重みを持つネットワークや、微調整されたネットワークを多数使用しています。
論文 参考訳(メタデータ) (2022-11-04T05:53:27Z) - Open Set Recognition using Vision Transformer with an Additional
Detection Head [6.476341388938684]
視覚変換器(ViT)技術に基づくオープンセット認識(OSR)の新しい手法を提案する。
まず、閉集合分類を行うためにViTモデルを訓練する。
そして、ViTによって抽出された埋め込み特徴に付加検出ヘッドを取り付け、既知のデータの表現をクラス固有のクラスタにコンパクトに強制するように訓練する。
論文 参考訳(メタデータ) (2022-03-16T07:34:58Z) - Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。
この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。
また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
論文 参考訳(メタデータ) (2021-10-12T17:58:59Z) - Incremental Deep Neural Network Learning using Classification Confidence
Thresholding [4.061135251278187]
分類のための現代のニューラルネットワークのほとんどは、未知の概念を考慮していない。
本稿では,逐次学習のための素数ニューラルネットワークに対する分類信頼度閾値アプローチを提案する。
論文 参考訳(メタデータ) (2021-06-21T22:46:28Z) - Open-set Recognition based on the Combination of Deep Learning and
Ensemble Method for Detecting Unknown Traffic Scenarios [0.9711326718689492]
本研究では、Convolutional Neural Networks(CNN)とRandom Forest(RF)を組み合わせて、交通シナリオのオープンセット認識を提案する。
RFのアンサンブルの性質を継承することにより、極値理論と組み合わされた全ての木の投票パターンが未知のクラスを検出するのに適していることが示される。
論文 参考訳(メタデータ) (2021-05-17T06:48:15Z) - Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。
最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。
本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
論文 参考訳(メタデータ) (2021-04-19T09:39:30Z) - Local Critic Training for Model-Parallel Learning of Deep Neural
Networks [94.69202357137452]
そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。
提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。
また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
論文 参考訳(メタデータ) (2021-02-03T09:30:45Z) - One-vs-Rest Network-based Deep Probability Model for Open Set
Recognition [6.85316573653194]
インテリジェントな自己学習システムは、既知の例と未知の例を区別することができるべきである。
1-vs-restネットワークは、よく使われるSoftMaxレイヤよりも、未知の例に対して、より有益な隠れ表現を提供することができる。
提案した確率モデルは、オープンセットの分類シナリオにおいて最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-04-17T05:24:34Z)
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。