論文の概要: Imagine by Reasoning: A Reasoning-Based Implicit Semantic Data
Augmentation for Long-Tailed Classification
- arxiv url: http://arxiv.org/abs/2112.07928v1
- Date: Wed, 15 Dec 2021 07:14:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 14:40:37.542498
- Title: Imagine by Reasoning: A Reasoning-Based Implicit Semantic Data
Augmentation for Long-Tailed Classification
- Title(参考訳): Reasoningによる想像:Long-Tailed 分類のための推論に基づく暗黙的意味データ拡張
- Authors: Xiaohua Chen, Yucan Zhou, Dayan Wu, Wanqian Zhang, Yu Zhou, Bo Li,
Weiping Wang
- Abstract要約: 実世界のデータは、しばしば長い尾の分布に従うため、既存の分類アルゴリズムの性能は大幅に低下する。
本稿では,他のクラスから変換方向を借用する,推論に基づく暗黙的意味データ拡張手法を提案する。
CIFAR-100-LT, ImageNet-LT, iNaturalist 2018の実験結果から, 提案手法の有効性が示された。
- 参考スコア(独自算出の注目度): 17.08583412899347
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world data often follows a long-tailed distribution, which makes the
performance of existing classification algorithms degrade heavily. A key issue
is that samples in tail categories fail to depict their intra-class diversity.
Humans can imagine a sample in new poses, scenes, and view angles with their
prior knowledge even if it is the first time to see this category. Inspired by
this, we propose a novel reasoning-based implicit semantic data augmentation
method to borrow transformation directions from other classes. Since the
covariance matrix of each category represents the feature transformation
directions, we can sample new directions from similar categories to generate
definitely different instances. Specifically, the long-tailed distributed data
is first adopted to train a backbone and a classifier. Then, a covariance
matrix for each category is estimated, and a knowledge graph is constructed to
store the relations of any two categories. Finally, tail samples are adaptively
enhanced via propagating information from all the similar categories in the
knowledge graph. Experimental results on CIFAR-100-LT, ImageNet-LT, and
iNaturalist 2018 have demonstrated the effectiveness of our proposed method
compared with the state-of-the-art methods.
- Abstract(参考訳): 現実世界のデータはしばしばロングテール分布に従い、既存の分類アルゴリズムの性能が著しく低下する。
重要な問題は、テールカテゴリのサンプルがクラス内多様性を描写できないことである。
人間は、たとえこのカテゴリーを初めて見たとしても、以前の知識で新しいポーズ、シーン、角度のサンプルを想像することができる。
そこで本研究では,他のクラスから変換方向を借用する推論に基づく暗黙的意味データ拡張手法を提案する。
各カテゴリの共分散行列は特徴変換方向を表すので、類似のカテゴリから新しい方向をサンプリングして、確実に異なるインスタンスを生成することができる。
具体的には、ロングテールの分散データをまずバックボーンと分類器のトレーニングに採用する。
そして、各カテゴリの共分散行列を推定し、任意の2つのカテゴリの関係を格納する知識グラフを構築する。
最後に、テールサンプルは知識グラフ内の類似したカテゴリの情報を伝達することで適応的に拡張される。
CIFAR-100-LT, ImageNet-LT, iNaturalist 2018 による実験結果から, 提案手法の有効性が得られた。
関連論文リスト
- Accurate Explanation Model for Image Classifiers using Class Association Embedding [5.378105759529487]
本稿では,グローバルな知識とローカルな知識の利点を組み合わせた生成的説明モデルを提案する。
クラスアソシエーション埋め込み(CAE)は、各サンプルを1組のクラス関連コードと個別コードにエンコードする。
クラス関連特徴を個々の特徴から効率的に分離するビルディングブロック・コヒーレンシー特徴抽出アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-06-12T07:41:00Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2023-09-01T11:15:50Z) - Balanced Classification: A Unified Framework for Long-Tailed Object
Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。
本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。
BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文 参考訳(メタデータ) (2023-08-04T09:11:07Z) - Dynamic Conceptional Contrastive Learning for Generalized Category
Discovery [76.82327473338734]
Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。
ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。
GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。
本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-30T14:04:39Z) - Intra-class Adaptive Augmentation with Neighbor Correction for Deep
Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。
クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。
本手法は,検索性能の最先端手法を3%~6%向上させる。
論文 参考訳(メタデータ) (2022-11-29T14:52:38Z) - Saliency Map Based Data Augmentation [0.0]
本稿では,特定の領域へのニューラルネットワークの不変性を制限するために,サリエンシマップを用いた新しい手法を提案する。
この方法は、分類タスクにおいて高いテスト精度を提供する。
論文 参考訳(メタデータ) (2022-05-29T15:04:59Z) - DecAug: Out-of-Distribution Generalization via Decomposed Feature
Representation and Semantic Augmentation [29.18840132995509]
深層学習は、しばしば分布外(OoD)一般化に苦しむ。
OoD一般化のための新しい分解特徴表現および意味的拡張アプローチであるDecAugを提案する。
DecAugは、さまざまなOoDデータセットの他の最先端のメソッドよりも優れています。
論文 参考訳(メタデータ) (2020-12-17T03:46:09Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳(メタデータ) (2020-11-04T23:33:41Z) - Variational Feature Disentangling for Fine-Grained Few-Shot
Classification [30.350307891161865]
ファインファインショット認識はしばしば、新しいカテゴリのデータの不足を訓練する問題に悩まされる。
本稿では,未確認クラスのクラス内ばらつきを増大させ,少ショット分類性能を向上させることに焦点を当てる。
論文 参考訳(メタデータ) (2020-10-07T08:13:42Z) - Dataset Bias in Few-shot Image Recognition [57.25445414402398]
まず,基本カテゴリから学習した伝達可能能力の影響について検討する。
第2に、データセット構造と異なる少数ショット学習方法から、異なるデータセットのパフォーマンス差について検討する。
論文 参考訳(メタデータ) (2020-08-18T14:46:23Z)
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。