論文の概要: Fuzzy Overclustering: Semi-Supervised Classification of Fuzzy Labels
with Overclustering and Inverse Cross-Entropy
- arxiv url: http://arxiv.org/abs/2110.06630v1
- Date: Wed, 13 Oct 2021 10:50:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-14 13:41:31.390969
- Title: Fuzzy Overclustering: Semi-Supervised Classification of Fuzzy Labels
with Overclustering and Inverse Cross-Entropy
- Title（参考訳）: ファジィオーバークラスタリング:オーバークラスタリングと逆エントロピーによるファジィラベルの半スーパービジョン分類
- Authors: Lars Schmarje and Johannes Br\"unger and Monty Santarossa and
Simon-Martin Schr\"oder and Rainer Kiko and Reinhard Koch
- Abstract要約: ファジィラベルの半教師付き分類を扱うための新しいフレームワークを提案する。
これは、これらのファジィラベルのサブ構造を検出するために、オーバークラスタリング(overclustering)という考え方に基づいている。
本研究では,ファジィラベルを用いた実世界のプランクトンデータに適用した場合,従来の半教師付き手法よりも優れたフレームワークを示す。
- 参考スコア（独自算出の注目度）: 1.6392706389599345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has been successfully applied to many classification problems
including underwater challenges. However, a long-standing issue with deep
learning is the need for large and consistently labeled datasets. Although
current approaches in semi-supervised learning can decrease the required amount
of annotated data by a factor of 10 or even more, this line of research still
uses distinct classes. For underwater classification, and uncurated real-world
datasets in general, clean class boundaries can often not be given due to a
limited information content in the images and transitional stages of the
depicted objects. This leads to different experts having different opinions and
thus producing fuzzy labels which could also be considered ambiguous or
divergent. We propose a novel framework for handling semi-supervised
classifications of such fuzzy labels. It is based on the idea of overclustering
to detect substructures in these fuzzy labels. We propose a novel loss to
improve the overclustering capability of our framework and show the benefit of
overclustering for fuzzy labels. We show that our framework is superior to
previous state-of-the-art semi-supervised methods when applied to real-world
plankton data with fuzzy labels. Moreover, we acquire 5 to 10\% more consistent
predictions of substructures.
- Abstract（参考訳）: 深層学習は水中課題を含む多くの分類問題に適用されている。
しかし、ディープラーニングの長年の課題は、大規模で一貫性のあるラベル付きデータセットの必要性である。
半教師付き学習における現在のアプローチは、注釈付きデータの必要な量を10以上削減することができるが、この研究の行は依然として異なるクラスを使っている。
水中の分類や、一般に未解決の現実世界のデータセットでは、画像内の限られた情報内容と描写されたオブジェクトの遷移段階のため、クリーンなクラス境界が与えられないことが多い。
これは異なる意見を持つ専門家を招き、曖昧さや相違があると考えられるファジィなラベルを生み出す。
ファジィラベルの半教師付き分類を扱うための新しい枠組みを提案する。
これらのファジィラベルのサブ構造を検出するために、オーバークラスタリング(overclustering)という考え方に基づいている。
我々は、フレームワークのオーバークラスタ機能を改善するための新しい損失を提案し、ファジィラベルのオーバークラスタの利点を示す。
本稿では,ファジィラベルを用いた実世界のプランクトンデータに適用した場合,従来の半教師付き手法よりも優れたフレームワークを示す。
さらに,下位構造のより一貫性のある予測を5～10\%獲得する。
関連論文リスト
- A data-centric approach for assessing progress of Graph Neural Networks [7.2249434861826325]
グラフニューラルネットワーク(GNN)はノード分類タスクにおいて最先端の結果を得た。
主な改善点はマルチクラスの分類であり、各ノードが複数のラベルを持つ場合に焦点を当てない。
マルチラベルノード分類を研究する上での第一の課題は、公開データセットの不足である。
論文 参考訳（メタデータ） (2024-06-18T09:41:40Z) - Active Generalized Category Discovery [60.69060965936214]
GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。
我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。
提案手法は, 汎用および微粒なデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2024-03-07T07:12:24Z) - Virtual Category Learning: A Semi-Supervised Learning Method for Dense
Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。
私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文 参考訳（メタデータ） (2023-12-02T16:23:52Z) - Making Binary Classification from Multiple Unlabeled Datasets Almost
Free of Supervision [128.6645627461981]
本稿では,複数ラベル付きデータセットからの2値分類という新たな問題設定を提案する。
MU-OPPOでは、ラベル付けされていないすべてのデータセットのクラスプリエントは不要です。
このフレームワークは,クラス前の推定誤差が小さくなり,バイナリ分類の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-06-12T11:33:46Z) - Spatiotemporal Classification with limited labels using Constrained
Clustering for large datasets [22.117238467818623]
分離可能な表現は、より良い分類能力を持つ教師付きモデルにつながる可能性がある。
ラベルの少ない制約付き損失を使って、より優れた表現を学べる方法を示します。
我々は,ラベルの少ない手法を用いて,ラベルのないデータから新しいラベル付きサンプルを抽出し,より優れた分類につながる教師付き手法を拡張できることを示す。
論文 参考訳（メタデータ） (2022-10-14T05:05:22Z) - Use All The Labels: A Hierarchical Multi-Label Contrastive Learning
Framework [75.79736930414715]
本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。
比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
論文 参考訳（メタデータ） (2022-04-27T21:41:44Z) - Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
超高解像度画像のための混合監視学習フレームワークを提案する。
パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。
画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
論文 参考訳（メタデータ） (2021-07-02T09:46:06Z) - Beyond Cats and Dogs: Semi-supervised Classification of fuzzy labels
with overclustering [1.6392706389599345]
ファジィラベルの半教師付き分類を扱うための新しいフレームワークを提案する。
本フレームワークは,これらのファジィラベルのサブ構造を検出するために,オーバークラスタリング(overclustering)という考え方に基づいている。
論文 参考訳（メタデータ） (2020-12-03T08:54:25Z) - The GraphNet Zoo: An All-in-One Graph Based Deep Semi-Supervised
Framework for Medical Image Classification [0.0]
ラベルが限られている場合、医療画像データセットを分類する問題を考える。
半教師付き学習を用いることで、ラベル付きデータの量を大幅に削減して正確な分類を行うことができる。
本稿では,グラフに基づくアプローチに着目した,深い半教師付き分類のためのオールインワンフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-13T19:18:21Z) - Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。
これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。
本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
論文 参考訳（メタデータ） (2020-03-02T13:59:41Z) - An interpretable semi-supervised classifier using two different
strategies for amended self-labeling [0.0]
半教師付き分類技術は、学習期間中にラベル付きデータとラベルなしデータを組み合わせる。
ブラックボックスを用いて,不足するクラスラベルとホワイトボックスを推定し,最終的な予測を説明する,解釈可能な自己ラベル付きグレーボックス分類器を提案する。
論文 参考訳（メタデータ） (2020-01-26T19:37:41Z)
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。