論文の概要: Improving Tail-Class Representation with Centroid Contrastive Learning

• arxiv url: http://arxiv.org/abs/2110.10048v2
• Date: Thu, 4 May 2023 13:48:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 20:07:17.481980
• Title: Improving Tail-Class Representation with Centroid Contrastive Learning
• Title（参考訳）: セントロイドコントラスト学習によるテールクラス表現の改善
• Authors: Anthony Meng Huat Tiong, Junnan Li, Guosheng Lin, Boyang Li, Caiming Xiong, Steven C.H. Hoi
• Abstract要約: 本稿では,長い尾を持つ表現学習を改善するために,補間型セントロイドコントラスト学習(ICCL)を提案する。 ICCLは、クラス別サンプルとクラス別サンプルの2つの画像を補間し、ICCLの表現が両方のソースクラスのセントロイドを取得するために使用されるようにモデルを訓練する。 我々の結果は、現実世界の長い尾の分布を持つiNaturalist 2018データセットで2.8%の精度向上を示した。
• 参考スコア（独自算出の注目度）: 145.73991900239017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In vision domain, large-scale natural datasets typically exhibit long-tailed distribution which has large class imbalance between head and tail classes. This distribution poses difficulty in learning good representations for tail classes. Recent developments have shown good long-tailed model can be learnt by decoupling the training into representation learning and classifier balancing. However, these works pay insufficient consideration on the long-tailed effect on representation learning. In this work, we propose interpolative centroid contrastive learning (ICCL) to improve long-tailed representation learning. ICCL interpolates two images from a class-agnostic sampler and a class-aware sampler, and trains the model such that the representation of the interpolative image can be used to retrieve the centroids for both source classes. We demonstrate the effectiveness of our approach on multiple long-tailed image classification benchmarks. Our result shows a significant accuracy gain of 2.8% on the iNaturalist 2018 dataset with a real-world long-tailed distribution.
• Abstract（参考訳）: 視覚領域では、大規模自然データセットは通常、頭と尾の間の大きなクラス不均衡を持つ長い尾の分布を示す。 この分布はテールクラスのよい表現を学ぶのに困難をもたらす。 最近の研究では、トレーニングを表現学習と分類器のバランスに分離することで、優れたロングテールモデルが学習できることが示されている。 しかし,これらの研究は,表現学習に対する長期的影響について十分考慮していない。 本研究では,長期表現学習を改善するために,補間型セントロイドコントラスト学習(ICCL)を提案する。 ICCLは、クラス別サンプルとクラス別サンプルの2つの画像を補間し、補間画像の表現を使って、両方のソースクラスのセントロイドを検索できるようにモデルを訓練する。 提案手法の有効性を複数の長期画像分類ベンチマークで示す。 その結果,実世界のロングテール分布を持つinaturalist 2018データセットの精度は2.8%向上した。

関連論文リスト

• SuperDisco: Super-Class Discovery Improves Visual Recognition for the Long-Tail [69.50380510879697]
  我々は,長い尾の認識のための超クラス表現を発見するアルゴリズムであるSuperDiscoを提案する。 我々は,長期分布を扱うための表現学習を指導するために,超クラスグラフを構築することを学ぶ。
  論文  参考訳（メタデータ） (2023-03-31T19:51:12Z)
• Improving GANs for Long-Tailed Data through Group Spectral Regularization [51.58250647277375]
  本稿では, スペクトル爆発によるモード崩壊を防止する新しいグループスペクトル正規化器 (gSR) を提案する。 我々は,gSRが既存の拡張および正規化技術と効果的に組み合わせることで,長期化データ上での最先端の画像生成性能が向上することを発見した。
  論文  参考訳（メタデータ） (2022-08-21T17:51:05Z)
• Balanced Contrastive Learning for Long-Tailed Visual Recognition [32.789465918318925]
  現実のデータは典型的には長い尾の分布を辿り、いくつかの大半がデータの大半を占める。 本稿では,不均衡なデータに対する表現学習に着目した。 バランス付きコントラスト学習(BCL)における新たな損失を提案する。
  論文  参考訳（メタデータ） (2022-07-19T03:48:59Z)
• DBN-Mix: Training Dual Branch Network Using Bilateral Mixup Augmentation for Long-Tailed Visual Recognition [7.94190631530826]
  累積学習を必要とせず,DBNの性能を向上させるための簡易かつ効果的な手法を開発した。 提案したDBNアーキテクチャの多数派に対する偏りを緩和するクラス条件温度スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-07-05T17:01:27Z)
• Learning Muti-expert Distribution Calibration for Long-tailed Video Classification [88.12433458277168]
  2レベル分布情報に基づくエンドツーエンドのマルチエキスパート分布校正手法を提案する。 この2段階の分布情報をモデル化することで、モデルはヘッドクラスとテールクラスを考慮できる。 本手法は,長編ビデオ分類作業における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-22T09:52:34Z)
• Feature Generation for Long-tail Classification [36.186909933006675]
  そこで本研究では,テールカテゴリーの分布を推定して有意義な特徴を生成する方法を示す。 また、t-SNE視覚化を用いて生成した特徴の質的分析を行い、末尾クラス分布のキャリブレーションに最も近い隣人を解析する。
  論文  参考訳（メタデータ） (2021-11-10T21:34:29Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)
• Class-Balanced Distillation for Long-Tailed Visual Recognition [100.10293372607222]
  実世界のイメージはしばしばクラスごとの画像数の著しい不均衡によって特徴づけられ、ロングテール分布に繋がる。 本研究では、インスタンスサンプリングで学習した特徴表現が長尾設定では最適とは程遠いという重要な観察を行うことで、新しいフレームワークを提案する。 我々の主な貢献は、知識蒸留を利用して特徴表現を強化する新しい訓練方法である。
  論文  参考訳（メタデータ） (2021-04-12T08:21:03Z)

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。