論文の概要: MetaCloth: Learning Unseen Tasks of Dense Fashion Landmark Detection
from a Few Samples
- arxiv url: http://arxiv.org/abs/2112.02763v1
- Date: Mon, 6 Dec 2021 03:38:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 16:30:31.264036
- Title: MetaCloth: Learning Unseen Tasks of Dense Fashion Landmark Detection
from a Few Samples
- Title（参考訳）: MetaCloth: 少数のサンプルから豪華なファッションランドマーク検出の未確認タスクを学習する
- Authors: Yuying Ge, Ruimao Zhang, Ping Luo
- Abstract要約: ファッションランドマーク検出の最近の高度な手法は、主に大規模なファッションデータセット上の畳み込みニューラルネットワークのトレーニングによって実現されている。
この研究はMetaClothという名の新しいフレームワークを提案し、いくつかの注釈付きサンプルだけで、密集したファッションランドマーク検出の見知らぬタスクを学習することができる。
- 参考スコア（独自算出の注目度）: 34.67722440682008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advanced methods for fashion landmark detection are mainly driven by
training convolutional neural networks on large-scale fashion datasets, which
has a large number of annotated landmarks. However, such large-scale
annotations are difficult and expensive to obtain in real-world applications,
thus models that can generalize well from a small amount of labelled data are
desired. We investigate this problem of few-shot fashion landmark detection,
where only a few labelled samples are available for an unseen task. This work
proposes a novel framework named MetaCloth via meta-learning, which is able to
learn unseen tasks of dense fashion landmark detection with only a few
annotated samples. Unlike previous meta-learning work that focus on solving
"N-way K-shot" tasks, where each task predicts N number of classes by training
with K annotated samples for each class (N is fixed for all seen and unseen
tasks), a task in MetaCloth detects N different landmarks for different
clothing categories using K samples, where N varies across tasks, because
different clothing categories usually have various number of landmarks.
Therefore, numbers of parameters are various for different seen and unseen
tasks in MetaCloth. MetaCloth is carefully designed to dynamically generate
different numbers of parameters for different tasks, and learn a generalizable
feature extraction network from a few annotated samples with a set of good
initialization parameters. Extensive experiments show that MetaCloth
outperforms its counterparts by a large margin.
- Abstract（参考訳）: ファッションランドマーク検出の最近の高度な手法は、主に多数の注釈付きランドマークを持つ大規模ファッションデータセット上の畳み込みニューラルネットワークのトレーニングによって実現されている。
しかし、このような大規模なアノテーションは現実世界のアプリケーションでは入手が困難でコストがかかるため、少量のラベル付きデータからうまく一般化できるモデルが望まれる。
本稿では,いくつかのラベル付きサンプルのみを目に見えないタスクに使用可能な,数発のファッションランドマーク検出の問題について検討する。
この研究はメタラーニングを通じてメタクロースと呼ばれる新しいフレームワークを提案し、いくつかの注釈付きサンプルだけで、密集したファッションランドマーク検出の未熟なタスクを学習することができる。
従来の"N-way K-shot"タスクの解決に重点を置いたメタラーニング作業とは異なり、各タスクは各クラスに対してKアノテーション付きサンプルでトレーニングすることでN個のクラスを予測し(Nはすべての目に見えるタスクと見えないタスクで固定されている)、MetaClothのタスクはKサンプルを使用して異なる衣服カテゴリのN個のランドマークを検出する。
そのため、パラメータの数はMetaClothの見知らぬタスクごとに様々である。
MetaClothは、タスクごとに異なるパラメータを動的に生成し、優れた初期化パラメータのセットでいくつかの注釈付きサンプルから一般化可能な特徴抽出ネットワークを学習するように設計されている。
大規模な実験により、MetaClothは大きなマージンで相手を上回ります。
関連論文リスト
- Meta-training with Demonstration Retrieval for Efficient Few-shot
Learning [11.723856248352007]
大規模な言語モデルは、数ショットのNLPタスクで印象的な結果を示す。
これらのモデルはメモリと計算集約である。
本稿では,実演検索によるメタトレーニングを提案する。
論文 参考訳（メタデータ） (2023-06-30T20:16:22Z) - Continual Object Detection via Prototypical Task Correlation Guided
Gating Mechanism [120.1998866178014]
pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。
具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。
COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
論文 参考訳（メタデータ） (2022-05-06T07:31:28Z) - On Steering Multi-Annotations per Sample for Multi-Task Learning [79.98259057711044]
マルチタスク学習の研究はコミュニティから大きな注目を集めている。
目覚ましい進歩にもかかわらず、異なるタスクを同時に学習するという課題はまだ検討されていない。
従来の研究は、異なるタスクから勾配を修正しようとするが、これらの手法はタスク間の関係の主観的な仮定を与え、修正された勾配はより正確でないかもしれない。
本稿では,タスク割り当てアプローチによってこの問題に対処する機構であるタスク割当(STA)を紹介し,各サンプルをランダムにタスクのサブセットに割り当てる。
さらなる進展のために、我々は全てのタスクを反復的に割り当てるためにInterleaved Task Allocation(ISTA)を提案する。
論文 参考訳（メタデータ） (2022-03-06T11:57:18Z) - Meta-Learning with Fewer Tasks through Task Interpolation [67.03769747726666]
現在のメタ学習アルゴリズムは多数のメタトレーニングタスクを必要としており、実際のシナリオではアクセスできない可能性がある。
タスクグラデーションを用いたメタラーニング(MLTI)により,タスクのペアをランダムにサンプリングし,対応する特徴やラベルを補間することにより,タスクを効果的に生成する。
実証的な実験では,提案する汎用MLTIフレームワークが代表的なメタ学習アルゴリズムと互換性があり,他の最先端戦略を一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2021-06-04T20:15:34Z) - MetaKernel: Learning Variational Random Features with Limited Labels [120.90737681252594]
少数の注釈付きサンプルから学習し、新しいタスクでうまく一般化できるという根本的かつ困難な問題に、少数のショットラーニングが対処します。
マルチショット学習のためのランダムなフーリエ機能を備えたメタラーニングカーネルをMeta Kernelと呼びます。
論文 参考訳（メタデータ） (2021-05-08T21:24:09Z) - Combat Data Shift in Few-shot Learning with Knowledge Graph [42.59886121530736]
現実世界のアプリケーションでは、少数ショットの学習パラダイムはデータシフトに悩まされることが多い。
既存の少数ショット学習アプローチのほとんどは、データシフトを考慮して設計されていない。
本稿では,タスク固有表現とタスク共有表現を抽出するメタラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-27T12:35:18Z) - Meta-Regularization by Enforcing Mutual-Exclusiveness [0.8057006406834467]
本稿では,メタ学習時の情報フローをモデル設計者が制御できるように,メタ学習モデルの正規化手法を提案する。
提案した正規化関数は,Omniglotデータセット上で$sim$$36%の精度向上を示す。
論文 参考訳（メタデータ） (2021-01-24T22:57:19Z) - Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。
本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。
特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
論文 参考訳（メタデータ） (2020-12-03T02:07:43Z) - RS-MetaNet: Deep meta metric learning for few-shot remote sensing scene
classification [9.386331325959766]
本研究では,実世界のリモートセンシングシーンの分類に関する問題を解決するため,RS-MetaNetを提案する。
一方、RS-MetaNetは、メタ方法でトレーニングを組織することで、サンプルからタスクへの学習レベルを高め、一連のタスクからリモートセンシングシーンを適切に分類できるメトリクス空間を学習する。
また,各カテゴリ間の距離を最大化することにより,モデルから新しいサンプルへの一般化能力を最大化する「バランスロス」という新たな損失関数を提案する。
論文 参考訳（メタデータ） (2020-09-28T14:34:15Z) - Adaptive Task Sampling for Meta-Learning [79.61146834134459]
数ショットの分類のためのメタラーニングの鍵となるアイデアは、テスト時に直面した数ショットの状況を模倣することである。
一般化性能を向上させるための適応型タスクサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-07-17T03:15:53Z)
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。