論文の概要: Fine-Grained Adversarial Semi-supervised Learning
- arxiv url: http://arxiv.org/abs/2110.05848v1
- Date: Tue, 12 Oct 2021 09:24:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 14:51:55.384688
- Title: Fine-Grained Adversarial Semi-supervised Learning
- Title(参考訳): 細粒度半教師付き学習
- Authors: Daniele Mugnai, Federico Pernici, Francesco Turchini, Alberto Del
Bimbo
- Abstract要約: FGVC(Fen-Grained Visual Categorization)の性能向上のために、SSL(Semi-Supervised Learning)を活用してトレーニングデータの量を増やす。
6つの最先端の細粒度データセットに対して実験を行うことにより、組み合わせた使用の有効性を実証する。
- 参考スコア(独自算出の注目度): 25.36956660025102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we exploit Semi-Supervised Learning (SSL) to increase the
amount of training data to improve the performance of Fine-Grained Visual
Categorization (FGVC). This problem has not been investigated in the past in
spite of prohibitive annotation costs that FGVC requires. Our approach
leverages unlabeled data with an adversarial optimization strategy in which the
internal features representation is obtained with a second-order pooling model.
This combination allows to back-propagate the information of the parts,
represented by second-order pooling, onto unlabeled data in an adversarial
training setting. We demonstrate the effectiveness of the combined use by
conducting experiments on six state-of-the-art fine-grained datasets, which
include Aircrafts, Stanford Cars, CUB-200-2011, Oxford Flowers, Stanford Dogs,
and the recent Semi-Supervised iNaturalist-Aves. Experimental results clearly
show that our proposed method has better performance than the only previous
approach that examined this problem; it also obtained higher classification
accuracy with respect to the supervised learning methods with which we
compared.
- Abstract(参考訳): 本稿では,FGVCの性能向上のために,SSL(Semi-Supervised Learning)を用いてトレーニングデータの量を増やす。
この問題は、FGVCが要求する厳格なアノテーションコストにもかかわらず、これまで調査されていない。
提案手法は,2次プールモデルを用いて内部特徴表現を得る逆最適化戦略を用いてラベル付きデータを利用する。
この組み合わせにより、第2次プーリングで表される部品の情報を、反対のトレーニング設定でラベルのないデータにバックプロパゲーションすることができる。
本研究では,航空機,スタンフォード・カーズ,CUB-200-2011,オックスフォード・フラワーズ,スタンフォード・ドッグス,最近のセミ・スーパーバイザードiNaturalist-Avesを含む,最先端の細粒度データセットの6つの実験を行った。
実験結果から,提案手法は従来手法よりも優れた性能を示し,比較した教師あり学習法よりも高い分類精度が得られた。
関連論文リスト
- Exploring Learning Complexity for Downstream Data Pruning [9.526877053855998]
本稿では,学習複雑性(LC)を分類・回帰タスクのスコアリング機能として扱うことを提案する。
大規模言語モデルの微調整を行うため,本手法は安定収束による最先端性能を実現する。
論文 参考訳(メタデータ) (2024-02-08T02:29:33Z) - Noisy Self-Training with Synthetic Queries for Dense Retrieval [49.49928764695172]
合成クエリと組み合わせた,ノイズの多い自己学習フレームワークを提案する。
実験結果から,本手法は既存手法よりも一貫した改善が得られた。
我々の手法はデータ効率が良く、競争のベースラインより優れています。
論文 参考訳(メタデータ) (2023-11-27T06:19:50Z) - Robust Learning with Progressive Data Expansion Against Spurious
Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。
分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。
本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-06-08T05:44:06Z) - Weakly Supervised Video Anomaly Detection Based on Cross-Batch
Clustering Guidance [39.43891080713327]
ビデオレベルのラベルのみをトレーニングできるため、弱教師付きビデオ異常検出(WSVAD)は難しい課題である。
本稿では,クロスバッチクラスタリングガイダンスに基づく新しいWSVAD手法を提案する。
論文 参考訳(メタデータ) (2022-12-16T14:38:30Z) - Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。
提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。
本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。
本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
論文 参考訳(メタデータ) (2022-10-11T20:20:20Z) - Explored An Effective Methodology for Fine-Grained Snake Recognition [8.908667065576632]
我々は,様々なメタ情報を活用し,きめ細かい識別を支援するために,強力なマルチモーダルバックボーンを設計する。
ラベルのないデータセットを最大限に活用するために,自己教師付き学習と教師付き学習共同学習を用いる。
本手法は,個人用および公開用データセットにおいて,それぞれ92.7%,89.4%のマクロf1スコアを達成できる。
論文 参考訳(メタデータ) (2022-07-24T02:19:15Z) - Boosting Facial Expression Recognition by A Semi-Supervised Progressive
Teacher [54.50747989860957]
本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。
RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
論文 参考訳(メタデータ) (2022-05-28T07:47:53Z) - Adversarial Dual-Student with Differentiable Spatial Warping for
Semi-Supervised Semantic Segmentation [70.2166826794421]
本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。
また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。
我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
論文 参考訳(メタデータ) (2022-03-05T17:36:17Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-31T23:46:32Z) - S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文 参考訳(メタデータ) (2020-08-18T11:44:10Z)
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。