論文の概要: HardBoost: Boosting Zero-Shot Learning with Hard Classes

• arxiv url: http://arxiv.org/abs/2201.05479v1
• Date: Fri, 14 Jan 2022 14:33:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-17 15:00:49.121854
• Title: HardBoost: Boosting Zero-Shot Learning with Hard Classes
• Title（参考訳）: HardBoost: ハードクラスでゼロショット学習を促進する
• Authors: Bo Liu, Lihua Hu, Zhanyi Hu, and Qiulei Dong
• Abstract要約: この研究は、ゼロショット学習(ZSL)におけるいわゆるハードクラス問題に関する体系的分析である。 目に見えないクラス間の高い意味的親和性は、難易度の原因である可能性が示唆された。 2つのフレームワークがハードクラスを検出して活用することで問題を修復する。
• 参考スコア（独自算出の注目度）: 24.401200814880124
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This work is a systematical analysis on the so-called hard class problem in zero-shot learning (ZSL), that is, some unseen classes disproportionally affect the ZSL performances than others, as well as how to remedy the problem by detecting and exploiting hard classes. At first, we report our empirical finding that the hard class problem is a ubiquitous phenomenon and persists regardless of used specific methods in ZSL. Then, we find that high semantic affinity among unseen classes is a plausible underlying cause of hardness and design two metrics to detect hard classes. Finally, two frameworks are proposed to remedy the problem by detecting and exploiting hard classes, one under inductive setting, the other under transductive setting. The proposed frameworks could accommodate most existing ZSL methods to further significantly boost their performances with little efforts. Extensive experiments on three popular benchmarks demonstrate the benefits by identifying and exploiting the hard classes in ZSL.
• Abstract（参考訳）: この研究は、ゼロショット学習(ZSL)におけるいわゆるハードクラス問題(英語版)の体系的分析であり、一部の未確認クラスは、他のクラスよりもZSLのパフォーマンスに不均等に影響を及ぼし、ハードクラスを検知し、悪用することで問題を修復する方法である。 まず, ハードクラス問題(ハードクラス問題)がユビキタスな現象であり, 使用済みのZSL法によらず, 持続することを示す実験的な知見を報告する。 そして,未知クラス間の高い意味的親和性は,ハードネスの根底にある可能性の高い原因であり,ハードクラスを検出するために2つのメトリクスを設計する。 最後に、2つのフレームワークがハードクラスを検出して活用し、1つはインダクティブな設定で、もう1つはトランスダクティブな設定で解決する。 提案されたフレームワークは、ほとんど既存のzslメソッドに対応し、少ない労力でパフォーマンスをさらに向上させることができる。 3つの人気のあるベンチマークに関する大規模な実験は、ZSLのハードクラスを特定し、活用することで利点を実証している。

関連論文リスト

• CLOSER: Towards Better Representation Learning for Few-Shot Class-Incremental Learning [52.63674911541416]
  FSCIL(Few-shot class-incremental Learning)は、過剰適合や忘れなど、いくつかの課題に直面している。 FSCILの独特な課題に取り組むため、ベースクラスでの表現学習に重点を置いている。 より制限された機能空間内で機能の拡散を確保することで、学習された表現が、伝達可能性と識別可能性のバランスを良くすることが可能になることが分かりました。
  論文  参考訳（メタデータ） (2024-10-08T02:23:16Z)
• Combating Representation Learning Disparity with Geometric Harmonization [50.29859682439571]
  本稿では,表現学習におけるカテゴリレベルの均一性を促進するために,新しい幾何調和法を提案する。 我々の提案はSSLの設定を変更せず、低コストで既存のメソッドに容易に統合できる。
  論文  参考訳（メタデータ） (2023-10-26T17:41:11Z)
• Learning Common Rationale to Improve Self-Supervised Representation for Fine-Grained Visual Recognition Problems [61.11799513362704]
  我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。 SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-03T02:07:40Z)
• Decoupled Adversarial Contrastive Learning for Self-supervised Adversarial Robustness [69.39073806630583]
  頑健な表現学習のための対人訓練(AT)と教師なし表現学習のための自己教師型学習(SSL)は2つの活発な研究分野である。 Decoupled Adversarial Contrastive Learning (DeACL) と呼ばれる2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-22T06:30:44Z)
• How Robust are Discriminatively Trained Zero-Shot Learning Models? [9.62543698736491]
  画像劣化に対する識別的ZSLのロバスト性に関する新しい解析法を提案する。 SUN-C, CUB-C, AWA2-Cの最初のZSL破壊堅牢性データセットをリリースする。
  論文  参考訳（メタデータ） (2022-01-26T14:41:10Z)
• Generalized and Incremental Few-Shot Learning by Explicit Learning and Calibration without Forgetting [86.56447683502951]
  これらの課題を明確かつ効果的に解決できる3段階のフレームワークを提案する。 提案手法を,画像とビデオの断片分類のための4つの挑戦的ベンチマークデータセット上で評価した。
  論文  参考訳（メタデータ） (2021-08-18T14:21:43Z)
• Hardness Sampling for Self-Training Based Transductive Zero-Shot Learning [10.764160559530847]
  既存のZSL作業におけるドメインシフト問題を緩和するトランスダクティブゼロショット学習(T-ZSL)が近年注目を集めている。 まず,学習過程における難易度が異なる未確認級試料の役割を実証的に分析した。 本研究では,与えられた未知のデータセットから多種多様なサンプルと硬質サンプルのサブセットを選択するための2つのハードネスサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-06-01T06:55:19Z)
• SemiNLL: A Framework of Noisy-Label Learning by Semi-Supervised Learning [58.26384597768118]
  SemiNLLはSS戦略とSSLモデルをエンドツーエンドで組み合わせた汎用フレームワークである。 我々のフレームワークは、様々なSS戦略やSSLバックボーンを吸収し、そのパワーを利用して有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-12-02T01:49:47Z)
• Generalized Continual Zero-Shot Learning [7.097782028036196]
  ゼロショット学習(ZSL)は、クラス記述に基づいて、見知らぬクラスから見つからないクラスに知識を移すことによって、目に見えないクラスを分類することを目的としている。 本稿では,タスクの形式でクラスが順次到着するZSLについて,より汎用的で実用的な設定を提案する。 我々は、知識蒸留と、それ以前のタスクからの少数のサンプルの保存と再生を、小さなエピソードメモリを用いて行っている。
  論文  参考訳（メタデータ） (2020-11-17T08:47:54Z)
• A Deep Dive into Adversarial Robustness in Zero-Shot Learning [9.62543698736491]
  本稿では,ゼロショット学習(ZSL)モデルと一般化ゼロショット学習(GZSL)モデルの対角的堅牢性を評価することを目的とした研究を行う。 ZSLモデルの逆ロバスト性に関する最初のベンチマークを作成することに加えて、ZSLロバスト性の結果をよりよく解釈するために注意を要する重要な点についても分析する。
  論文  参考訳（メタデータ） (2020-08-17T22:26:06Z)

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。