Fugu-MT 論文翻訳(概要): Exploring Category-correlated Feature for Few-shot Image Classification

論文の概要: Exploring Category-correlated Feature for Few-shot Image Classification

arxiv url: http://arxiv.org/abs/2112.07224v1
Date: Tue, 14 Dec 2021 08:25:24 GMT
ステータス: 処理完了
システム内更新日: 2021-12-15 16:04:55.042752
Title: Exploring Category-correlated Feature for Few-shot Image Classification
Title（参考訳）: Few-shot画像分類のためのカテゴリー関連特徴の探索
Authors: Jing Xu, Xinglin Pan, Xu Luo, Wenjie Pei, Zenglin Xu
Abstract要約: 本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
参考スコア（独自算出の注目度）: 27.13708881431794
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Few-shot classification aims to adapt classifiers to novel classes with a few training samples. However, the insufficiency of training data may cause a biased estimation of feature distribution in a certain class. To alleviate this problem, we present a simple yet effective feature rectification method by exploring the category correlation between novel and base classes as the prior knowledge. We explicitly capture such correlation by mapping features into a latent vector with dimension matching the number of base classes, treating it as the logarithm probability of the feature over base classes. Based on this latent vector, the rectified feature is directly constructed by a decoder, which we expect maintaining category-related information while removing other stochastic factors, and consequently being closer to its class centroid. Furthermore, by changing the temperature value in softmax, we can re-balance the feature rectification and reconstruction for better performance. Our method is generic, flexible and agnostic to any feature extractor and classifier, readily to be embedded into existing FSL approaches. Experiments verify that our method is capable of rectifying biased features, especially when the feature is far from the class centroid. The proposed approach consistently obtains considerable performance gains on three widely used benchmarks, evaluated with different backbones and classifiers. The code will be made public.
Abstract（参考訳）: 少数ショット分類は、いくつかのトレーニングサンプルを持つ新しいクラスに分類器を適用することを目的としている。しかしながら、トレーニングデータの不足は、特定のクラスにおける特徴分布の偏りのある推定を引き起こす可能性がある。この問題を軽減するため,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,簡易かつ効果的な特徴補正手法を提案する。このような相関関係を,基本クラス数に一致する次元を持つ潜在ベクトルにマッピングすることで明確に把握し,基本クラス上の特徴の対数確率として扱う。この潜在ベクトルに基づいて、補正機能はデコーダによって直接構築されるので、他の確率因子を除去しながらカテゴリ関連情報を維持でき、その結果、そのクラスセントロイドに近いものとなる。さらに,ソフトマックスの温度値を変化させることで,特徴量の補正と再構築を両立させ,性能を向上することができる。提案手法は,任意の特徴抽出器や分類器に対して汎用的かつ柔軟であり,既存のFSL手法に容易に組み込むことができる。実験により,本手法は偏りのある特徴,特にその特徴がクラスセントロイドから遠く離れている場合の補正が可能であることが確認された。提案手法は、異なるバックボーンと分類器を用いて評価された3つの広く使用されているベンチマークにおいて、一定の性能向上が得られる。コードは公開されます。

関連論文リスト

FeCAM: Exploiting the Heterogeneity of Class Distributions in Exemplar-Free Continual Learning [21.088762527081883]
Exemplar-free class-incremental learning (CIL)は、以前のタスクからのデータのリハーサルを禁止しているため、いくつかの課題がある。第1タスクの後に特徴抽出器を凍結して分類器を漸進的に学習する手法が注目されている。凍結した特徴抽出器を用いて新しいクラスプロトタイプを生成するCILのプロトタイプネットワークを探索し,プロトタイプとのユークリッド距離に基づいて特徴を分類する。
論文参考訳（メタデータ） (2023-09-25T11:54:33Z)
Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
論文参考訳（メタデータ） (2023-03-21T07:00:35Z)
Few-Shot Object Detection via Variational Feature Aggregation [32.34871873486389]
本稿では,2つの新しい特徴集約方式を用いたメタラーニングフレームワークを提案する。まず,クラス非依存アグリゲーション(CAA)手法を提案する。次に、クラスレベルのサポート機能にサポート例をエンコードする変分特徴集約(VFA)手法を提案する。
論文参考訳（メタデータ） (2023-01-31T04:58:21Z)
Generalization Bounds for Few-Shot Transfer Learning with Pretrained Classifiers [26.844410679685424]
本研究では,新しいクラスに移動可能な分類の表現を基礎モデルで学習する能力について検討する。クラス-機能-変数の崩壊の場合,新しいクラスで学習した特徴マップのわずかな誤差が小さいことを示す。
論文参考訳（メタデータ） (2022-12-23T18:46:05Z)
Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。固体アンサンブル分類器を構築するためのプール選択戦略が提示される。我々は異常検出手法の不確実性を利用する。
論文参考訳（メタデータ） (2022-12-23T00:50:41Z)
PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
論文参考訳（メタデータ） (2022-11-29T08:41:29Z)
Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
論文参考訳（メタデータ） (2022-10-15T13:30:12Z)
Class-Incremental Learning with Generative Classifiers [6.570917734205559]
本稿では,クラス増分学習のための新しい戦略を提案する。本提案は,p(x|y)p(y) として分解された合同分布 p(x,y) を学習し,ベイズ則を用いた分類を行うことである。ここでは,各学習クラスに対して,変分オートエンコーダをトレーニングすることで,この戦略を実証する。
論文参考訳（メタデータ） (2021-04-20T16:26:14Z)
Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。分析の結果,分類精度は分布に依存していることがわかった。得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文参考訳（メタデータ） (2020-11-16T05:17:29Z)
Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
論文参考訳（メタデータ） (2020-10-28T14:37:25Z)
Latent Embedding Feedback and Discriminative Features for Zero-Shot Classification [139.44681304276]
ゼロショット学習は、トレーニング中にデータが利用できない、見えないカテゴリを分類することを目的としている。 Generative Adrial Networksは、クラス固有のセマンティック埋め込みを利用して、目に見えないクラス機能を合成する。我々は,ゼロショット学習のすべての段階において,意味的一貫性を強制することを提案する。
論文参考訳（メタデータ） (2020-03-17T17:34:16Z)

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。