論文の概要: Feature Generation for Long-tail Classification
- arxiv url: http://arxiv.org/abs/2111.05956v1
- Date: Wed, 10 Nov 2021 21:34:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-13 03:51:24.368642
- Title: Feature Generation for Long-tail Classification
- Title（参考訳）: 長尾分類のための特徴生成
- Authors: Rahul Vigneswaran and Marc T. Law and Vineeth N. Balasubramanian and
Makarand Tapaswi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 36.186909933006675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The visual world naturally exhibits an imbalance in the number of object or
scene instances resulting in a \emph{long-tailed distribution}. This imbalance
poses significant challenges for classification models based on deep learning.
Oversampling instances of the tail classes attempts to solve this imbalance.
However, the limited visual diversity results in a network with poor
representation ability. A simple counter to this is decoupling the
representation and classifier networks and using oversampling only to train the
classifier. In this paper, instead of repeatedly re-sampling the same image
(and thereby features), we explore a direction that attempts to generate
meaningful features by estimating the tail category's distribution. Inspired by
ideas from recent work on few-shot learning, we create calibrated distributions
to sample additional features that are subsequently used to train the
classifier. Through several experiments on the CIFAR-100-LT (long-tail) dataset
with varying imbalance factors and on mini-ImageNet-LT (long-tail), we show the
efficacy of our approach and establish a new state-of-the-art. We also present
a qualitative analysis of generated features using t-SNE visualizations and
analyze the nearest neighbors used to calibrate the tail class distributions.
Our code is available at https://github.com/rahulvigneswaran/TailCalibX.
- Abstract（参考訳）: 視覚の世界は自然にオブジェクトやシーンインスタンスの数に不均衡を示し、結果として \emph{long-tailed distribution} となる。
この不均衡は、ディープラーニングに基づく分類モデルに重大な課題をもたらす。
尾クラスのオーバーサンプリングは、この不均衡を解消しようとする。
しかし、限られた視覚的多様性は、表現能力の低いネットワークをもたらす。
これに対する単純なカウンターは、表現と分類器ネットワークを分離し、オーバーサンプリングを使用して分類器を訓練することである。
本稿では,同じ画像(と特徴)を繰り返しサンプリングするのではなく,テールカテゴリの分布を推定することで有意義な特徴を発生させる方向を探索する。
数ショット学習に関する最近の研究のアイデアに触発されて、分類器の訓練に使用される追加機能のサンプルを作成する。
CIFAR-100-LT(long-tail)データセットとmini-ImageNet-LT(long-tail)を用いたいくつかの実験により,本手法の有効性を示し,新しい最先端技術を確立する。
また,t-sneビジュアライゼーションを用いた生成特徴の定性解析を行い,テールクラス分布の校正に用いる最近傍の分析を行った。
私たちのコードはhttps://github.com/rahulvigneswaran/tailcalibxで利用可能です。
関連論文リスト
- How Re-sampling Helps for Long-Tail Learning? [45.187004699024435]
ロングテール学習は、極めて不均衡なデータセットで発生する課題のために、大きな注目を集めている。
最近の研究では、リサンプリングは現代のロングテール学習タスクにおいて無視できるパフォーマンス改善をもたらすと主張している。
そこで本稿では,末尾クラスのための多様なトレーニング画像を生成するコンテキストシフト拡張モジュールを提案する。
論文 参考訳（メタデータ） (2023-10-27T16:20:34Z) - Adjusting Logit in Gaussian Form for Long-Tailed Visual Recognition [37.62659619941791]
特徴レベルの観点から、長い尾の視覚認識の問題について検討する。
2つの新しいロジット調整法が提案され,計算オーバーヘッドの緩やかなモデル性能が向上した。
ベンチマークデータセットを用いて行った実験は,提案手法の最先端手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-05-18T02:06:06Z) - 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) - Constructing Balance from Imbalance for Long-tailed Image Recognition [50.6210415377178]
多数派(頭)クラスと少数派(尾)クラスの不均衡は、データ駆動のディープニューラルネットワークを著しく歪ませる。
従来の手法では、データ分散、特徴空間、モデル設計の観点からデータ不均衡に対処していた。
ラベル空間を段階的に調整し,ヘッドクラスとテールクラスを分割することで,簡潔なパラダイムを提案する。
提案モデルでは,特徴評価手法も提供し,長期的特徴学習の道を開く。
論文 参考訳（メタデータ） (2022-08-04T10:22:24Z) - Generating Representative Samples for Few-Shot Classification [8.62483598990205]
クラスごとの視覚的なサンプルで新しいカテゴリを学習することを目的としている。
データ不足によってクラス表現がバイアスを受ける場合が少なくない。
条件付き変分オートエンコーダモデルを用いて,意味的埋め込みに基づく視覚サンプルを生成する。
論文 参考訳（メタデータ） (2022-05-05T20:58:33Z) - Improving Tail-Class Representation with Centroid Contrastive Learning [145.73991900239017]
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。
論文 参考訳（メタデータ） (2021-10-19T15:24:48Z) - Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。
異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。
提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文 参考訳（メタデータ） (2021-04-01T13:55:21Z) - ResLT: Residual Learning for Long-tailed Recognition [64.19728932445523]
本稿では,パラメータ空間の側面から,より基本的なロングテール認識の視点を提案する。
すべてのクラスから画像を認識するために最適化されたメインブランチと、medium+tailクラスとtailクラスからのイメージを強化するために徐々に2つの残りのブランチを融合して最適化する。
我々は、CIFAR-10、CIFAR-100、Places、ImageNet、iNaturalist 2018の長期バージョンであるいくつかのベンチマークでこの方法をテストする。
論文 参考訳（メタデータ） (2021-01-26T08:43:50Z) - Free Lunch for Few-shot Learning: Distribution Calibration [10.474018806591397]
キャリブレーション分布から抽出した特徴を用いて学習した単純なロジスティック回帰分類器は、2つのデータセットにおける最先端の精度より優れていることを示す。
論文 参考訳（メタデータ） (2021-01-16T07:58:40Z) - Imbalanced Data Learning by Minority Class Augmentation using Capsule
Adversarial Networks [31.073558420480964]
本稿では,2つの同時手法を合体させて,不均衡な画像のバランスを回復する手法を提案する。
我々のモデルでは、生成的および識別的ネットワークは、新しい競争力のあるゲームをする。
カプセルGANの合体は、畳み込みGANと比較して非常に少ないパラメータで重なり合うクラスを認識するのに効果的である。
論文 参考訳（メタデータ） (2020-04-05T12:36:06Z) - Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。
埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。
複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
論文 参考訳（メタデータ） (2020-03-09T13:51:09Z)
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。