論文の概要: HCIL: Hierarchical Class Incremental Learning for Longline Fishing Visual Monitoring

• arxiv url: http://arxiv.org/abs/2202.13018v1
• Date: Fri, 25 Feb 2022 23:53:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 16:45:18.919807
• Title: HCIL: Hierarchical Class Incremental Learning for Longline Fishing Visual Monitoring
• Title（参考訳）: HCIL: 長期漁業視覚モニタリングのための階層型クラスインクリメンタルラーニング
• Authors: Jie Mei, Suzanne Romain, Craig Rose, Kelsey Magrane, Jenq-Neng Hwang
• Abstract要約: 我々は,CILシナリオ下での最先端の階層的分類法を大幅に改善する階層的クラスインクリメンタルラーニング(HCIL)モデルを導入する。 CILシステムは、データストリームからより多くのクラスを学習できなければならない。つまり、少数のクラスに対するトレーニングデータのみを最初から用意し、新しいクラスを徐々に追加する必要がある。
• 参考スコア（独自算出の注目度）: 30.084499552709183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of electronic monitoring of longline fishing is to visually monitor the fish catching activities on fishing vessels based on cameras, either for regulatory compliance or catch counting. The previous hierarchical classification method demonstrates efficient fish species identification of catches from longline fishing, where fishes are under severe deformation and self-occlusion during the catching process. Although the hierarchical classification mitigates the laborious efforts of human reviews by providing confidence scores in different hierarchical levels, its performance drops dramatically under the class incremental learning (CIL) scenario. A CIL system should be able to learn about more and more classes over time from a stream of data, i.e., only the training data for a small number of classes have to be present at the beginning and new classes can be added progressively. In this work, we introduce a Hierarchical Class Incremental Learning (HCIL) model, which significantly improves the state-of-the-art hierarchical classification methods under the CIL scenario.
• Abstract（参考訳）: 長期魚釣りの電子的監視の目標は、規制順守または漁獲計数のため、カメラに基づいて漁船の漁獲活動を視覚的に監視することである。 従来の階層分類法では,漁獲過程において魚が過度な変形と自己閉塞状態にある長期漁獲物の効率的な魚種同定が示されている。 階層的な分類は、異なる階層レベルで信頼度スコアを提供することで、ヒューマンレビューの労力を軽減するが、そのパフォーマンスは、クラスインクリメンタル学習(cil)シナリオの下で劇的に低下する。 cilシステムは、データストリームから、時間とともにより多くのクラスについて学ぶことが可能でなければなりません。つまり、少数のクラスのトレーニングデータのみを最初に存在し、新しいクラスを段階的に追加する必要があります。 本稿では,CILシナリオ下での最先端階層分類法を大幅に改善する階層型クラスインクリメンタルラーニング(HCIL)モデルを提案する。

関連論文リスト

• Efficient Prompt Tuning of Large Vision-Language Model for Fine-Grained Ship Classification [62.425462136772666]
  リモートセンシング(RS-FGSC)における船のきめ細かい分類は、クラス間の高い類似性とラベル付きデータの限られた可用性のために大きな課題となる。 大規模な訓練済みビジョンランゲージモデル(VLM)の最近の進歩は、少数ショット学習やゼロショット学習において印象的な能力を示している。 本研究は, 船種別分類精度を高めるために, VLMの可能性を生かしたものである。
  論文  参考訳（メタデータ） (2024-03-13T05:48:58Z)
• Automatic evaluation of herding behavior in towed fishing gear using end-to-end training of CNN and attention-based networks [0.0]
  本稿では、エンドツーエンドに訓練された3つの畳み込み型および注目型ディープアクション認識ネットワークアーキテクチャを比較した。 2ストリームCNNモデル、CNN変換器ハイブリッドモデル、純粋なトランスフォーマーモデルがエンドツーエンドで訓練され、63%、54%、10倍の分類精度が得られた。
  論文  参考訳（メタデータ） (2023-03-21T16:52:08Z)
• Better Supervisory Signals by Observing Learning Paths [10.044413937134237]
  本稿では, ラベルスムース化と知識蒸留という2つの既存のラベル精錬法について, 提案基準の観点から解説する。 トレーニングサンプル毎に,学習経路,すなわちトレーニング中のモデル予測の軌跡を観察する。 モデルは、おもちゃと実際のデータセットの両方で発生する"zig-zag"学習パスを通じて、自発的に"bad"ラベルを洗練できる。
  論文  参考訳（メタデータ） (2022-03-04T18:31:23Z)
• Self-Supervised Class Incremental Learning [51.62542103481908]
  既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。 新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。 本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
  論文  参考訳（メタデータ） (2021-11-18T06:58:19Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)
• Video-based Hierarchical Species Classification for Longline Fishing Monitoring [17.031967273526803]
  ビデオに基づく階層的な分類は、安価で効率的な魚種識別を可能にしている。 漁業科学者が提供した非重なりのない階層型データ構造により,本手法は階層型データ構造を強制する。 実験の結果,提案手法は古典的フラット分類システムよりも優れていた。
  論文  参考訳（メタデータ） (2021-02-06T06:10:52Z)
• Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
  水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。 提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
  論文  参考訳（メタデータ） (2020-11-28T05:51:19Z)
• Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax [88.11979569564427]
  本報告では, 長期分布前における最先端モデルの過小評価に関する最初の体系的解析を行う。 本稿では,グループワイドトレーニングを通じて検出フレームワーク内の分類器のバランスをとるための,新しいバランス付きグループソフトマックス(BAGS)モジュールを提案する。 非常に最近の長尾大語彙オブジェクト認識ベンチマークLVISの大規模な実験により,提案したBAGSは検出器の性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2020-06-18T10:24:26Z)
• Temperate Fish Detection and Classification: a Deep Learning based Approach [6.282069822653608]
  本研究では,2段階の深層学習手法を提案する。 最初のステップは、種や性別によらず、画像中の各魚を検出することです。 第2のステップでは、画像中の各魚を事前フィルタリングせずに分類するために、Squeeze-and-Excitation (SE)アーキテクチャを備えた畳み込みニューラルネットワーク(CNN)を採用する。
  論文  参考訳（メタデータ） (2020-05-14T12:40:57Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。