論文の概要: Enhancing Prototypical Few-Shot Learning by Leveraging the Local-Level Strategy

• arxiv url: http://arxiv.org/abs/2111.04331v1
• Date: Mon, 8 Nov 2021 08:45:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 15:49:51.175384
• Title: Enhancing Prototypical Few-Shot Learning by Leveraging the Local-Level Strategy
• Title（参考訳）: 地域レベル戦略の活用によるプロトタイプ・ファウショット学習の促進
• Authors: Junying Huang, Fan Chen, Keze Wang, Liang Lin, and Dongyu Zhang
• Abstract要約: 既存の作業では、ローカルレベルの機能をすべて混ぜることで、イメージレベルの機能に基づいた、いくつかのショットモデルを構築することがよくあります。 a) 基地と新規カテゴリーの識別的位置バイアスを回避するための地域非依存のトレーニング戦略,(b) 地域レベルの特徴の正確な比較を捉えるための新しい地域レベルの類似度尺度を提案する。
• 参考スコア（独自算出の注目度）: 75.63022284445945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aiming at recognizing the samples from novel categories with few reference samples, few-shot learning (FSL) is a challenging problem. We found that the existing works often build their few-shot model based on the image-level feature by mixing all local-level features, which leads to the discriminative location bias and information loss in local details. To tackle the problem, this paper returns the perspective to the local-level feature and proposes a series of local-level strategies. Specifically, we present (a) a local-agnostic training strategy to avoid the discriminative location bias between the base and novel categories, (b) a novel local-level similarity measure to capture the accurate comparison between local-level features, and (c) a local-level knowledge transfer that can synthesize different knowledge transfers from the base category according to different location features. Extensive experiments justify that our proposed local-level strategies can significantly boost the performance and achieve 2.8%-7.2% improvements over the baseline across different benchmark datasets, which also achieves state-of-the-art accuracy.
• Abstract（参考訳）: 参照サンプルが少ない新しいカテゴリからサンプルを認識することを目指して,FSL ( few-shot learning) は難しい問題である。 既存の作業は、局所的な特徴を全て混ぜることで、画像レベルの特徴に基づいて、しばしば少数ショットモデルを構築しており、それによって、局所的な詳細における識別的位置バイアスと情報損失につながることが判明した。 この問題に取り組むため,本稿では,局所的特徴に対する視点を返却し,一連の局所的戦略を提案する。 具体的には (a)ベースと新規なカテゴリの識別的位置偏りを避けるための局所的非依存なトレーニング戦略 (b)局所的特徴の正確な比較を捉えるための新しい局所的類似度尺度 (c)地域レベルの知識伝達は、異なる位置特徴に応じてベースカテゴリから異なる知識伝達を合成することができる。 広範な実験によって、提案するローカルレベルの戦略がパフォーマンスを大幅に向上させ、さまざまなベンチマークデータセットのベースラインに対して2.8%-7.2%の改善を達成できることを確認した。

関連論文リスト

• Exploring Selective Layer Fine-Tuning in Federated Learning [48.470385357429215]
  フェデレートラーニング(FL)は,分散データを用いた基礎モデルの微調整のための,有望なパラダイムとして登場した。 FLにおける選択的層微調整について検討し、クライアントがローカルデータやリソースに応じて選択した層を調整できるフレキシブルなアプローチを強調した。
  論文  参考訳（メタデータ） (2024-08-28T07:48:39Z)
• Referee-Meta-Learning for Fast Adaptation of Locational Fairness [26.770426062329165]
  本稿では,深層ニューラルネットワークのメタトレーニングとメタテストを行うために,位置的メタ参照(Meta-Ref)を提案する。 また,Meta-Refは全体の予測品質を同等に保ちながら,位置の公平性を向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-20T21:09:04Z)
• Cascade Learning Localises Discriminant Features in Visual Scene Classification [2.8852708354106507]
  階層的な学習戦略,すなわちカスケード学習(CL)がより局所的な特徴をもたらすことを示す。 ローカライゼーションの精度を考慮すると、CLがE2Eより優れているだけでなく、領域を予測するための有望な方法であることを示す。
  論文  参考訳（メタデータ） (2023-11-21T16:19:14Z)
• Consistency-Aware Anchor Pyramid Network for Crowd Localization [167.93943981468348]
  クラウドローカライゼーションは、群衆シナリオにおける人間の空間的位置を予測することを目的としている。 本稿では,各画像領域のアンカー密度を適応的に決定するアンカーピラミッド方式を提案する。
  論文  参考訳（メタデータ） (2022-12-08T04:32:01Z)
• Global Meets Local: Effective Multi-Label Image Classification via Category-Aware Weak Supervision [37.761378069277676]
  本稿では,効果的雑音・確率抑圧を実現するための統一的な枠組みを構築した。 我々はグローバルな特徴とローカルな特徴の相補的な情報を探るため、粒度横断型アテンションモジュールを開発した。 我々のフレームワークは最先端の手法よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2022-11-23T05:39:17Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Multi-level Consistency Learning for Semi-supervised Domain Adaptation [85.90600060675632]
  半教師付きドメイン適応(SSDA)は、完全にラベル付けされたソースドメインから学習した知識をわずかにラベル付けされたターゲットドメインに適用することを目的としている。 SSDAのための多レベル一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-09T06:41:18Z)
• Local SGD: Unified Theory and New Efficient Methods [8.701566919381223]
  本稿では,局所的なSGD手法を凸型および強凸型で解析するための統一的なフレームワークを提案する。 我々は,データ均一性や他の強い仮定を必要としない,線形収束型局所SGD法を開発した。
  論文  参考訳（メタデータ） (2020-11-03T13:02:50Z)
• Domain Adaptation of Learned Features for Visual Localization [60.6817896667435]
  日時,天気,季節などの変化条件下での視覚的局所化の問題に対処する。 近年の深層ニューラルネットワークに基づく学習された局所的特徴は、古典的な手作りの局所的特徴よりも優れた性能を示している。 ドメインギャップを減らすために、いくつかの例しか必要としない、斬新で実践的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-21T05:17:32Z)
• Learning Local Features with Context Aggregation for Visual Localization [24.167882373322957]
  キーポイントの検出と記述は多くの視覚応用において不可欠である。 既存のほとんどのメソッドは、コンテキスト情報を考慮せずにローカル特徴を学習するために、検出-then-describeまたは検出-and-describe戦略を使用している。 本稿では,局所特徴の識別性を改善するために,低レベルテキスト情報と高レベル意味文脈情報の融合に着目した。
  論文  参考訳（メタデータ） (2020-05-26T17:19:06Z)

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。