論文の概要: CSN: Component-Supervised Network for Few-Shot Classification
- arxiv url: http://arxiv.org/abs/2203.07738v1
- Date: Tue, 15 Mar 2022 09:13:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 02:49:49.025880
- Title: CSN: Component-Supervised Network for Few-Shot Classification
- Title（参考訳）: CSN:Few-Shot分類のためのコンポーネントスーパービジョンネットワーク
- Authors: Shuai Shao, Baodi Liu, Lei Xing, Lifei Zhao, Yanjiang Wang, Weifeng
Liu, and Yicong Zhou
- Abstract要約: 本稿では,数ショット分類タスクの性能向上を目的としたCSN(Component-Supervised Network)を提案する。
基本セットと新規セットのカテゴリは異なるが、サンプルの構成要素の組成は似ている。
- 参考スコア（独自算出の注目度）: 38.25216584032986
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The few-shot classification (FSC) task has been a hot research topic in
recent years. It aims to address the classification problem with insufficient
labeled data on a cross-category basis. Typically, researchers pre-train a
feature extractor with base data, then use it to extract the features of novel
data and recognize them. Notably, the novel set only has a few annotated
samples and has entirely different categories from the base set, which leads to
that the pre-trained feature extractor can not adapt to the novel data
flawlessly. We dub this problem as Feature-Extractor-Maladaptive (FEM) problem.
Starting from the root cause of this problem, this paper presents a new scheme,
Component-Supervised Network (CSN), to improve the performance of FSC. We
believe that although the categories of base and novel sets are different, the
composition of the sample's components is similar. For example, both cat and
dog contain leg and head components. Actually, such entity components are
intra-class stable. They have fine cross-category versatility and new category
generalization. Therefore, we refer to WordNet, a dictionary commonly used in
natural language processing, to collect component information of samples and
construct a component-based auxiliary task to improve the adaptability of the
feature extractor. We conduct experiments on two benchmark datasets
(mini-ImageNet and tiered-ImageNet), the improvements of $0.9\%$-$5.8\%$
compared with state-of-the-arts have evaluated the efficiency of our CSN.
- Abstract（参考訳）: 数発分類(FSC)タスクは近年ホットな研究トピックとなっている。
本研究の目的は,ラベル付きデータに不足する分類問題に対して,横断的カテゴリベースで対処することである。
通常、研究者は基本データを使って特徴抽出器を事前訓練し、新しいデータの特徴を抽出して認識する。
特筆すべきは、新規なセットはいくつかの注釈付きサンプルしか持たず、ベースセットとは全く異なるカテゴリを持ち、事前訓練された特徴抽出器が新規なデータに不完全に対応できないことである。
この問題をFEM(Feature-Extractor-Maladaptive)問題と呼ぶ。
本稿では,本問題の根本原因から,FSCの性能向上を目的としたCSN(Component-Supervised Network)を提案する。
基本集合と新規集合の分類は異なるが、サンプルの成分の組成は似ていると我々は信じている。
例えば、猫も犬も脚も頭部も含んでいる。
実際、このようなエンティティコンポーネントはクラス内安定です。
細かなクロスカテゴリの汎用性と新しいカテゴリの一般化がある。
そこで,我々は,自然言語処理でよく使われる辞書であるWordNetについて言及し,サンプルの成分情報を収集し,特徴抽出器の適応性を向上させるためにコンポーネントベース補助タスクを構築する。
2つのベンチマークデータセット (mini-imagenet と tiered-imagenet) で実験を行い, 最新技術と比較して$0.9\%$-$5.8\%$の改善がcsnの効率を評価した。
関連論文リスト
- ZeroG: Investigating Cross-dataset Zero-shot Transferability in Graphs [36.749959232724514]
ZeroGは、クロスデータセットの一般化を可能にするために設計された新しいフレームワークである。
特徴の不整合、ラベル空間の整合、負の移動といった、固有の課題に対処する。
本稿では,抽出したサブグラフの意味情報と構造情報を豊かにするための,プロンプトベースのサブグラフサンプリングモジュールを提案する。
論文 参考訳（メタデータ） (2024-02-17T09:52:43Z) - Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。
非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文 参考訳（メタデータ） (2023-05-29T04:51:09Z) - A Strong Baseline for Semi-Supervised Incremental Few-Shot Learning [54.617688468341704]
少ないショット学習は、限られたトレーニングサンプルを持つ新しいクラスに一般化するモデルを学ぶことを目的としている。
本研究では,(1)信頼できない擬似ラベルによる基本クラスと新クラスのあいまいさを緩和する高度に設計されたメタトレーニングアルゴリズム,(2)ラベルの少ないデータとラベルなしデータを用いて基礎知識を保ちながら,新クラスの識別的特徴を学習するモデル適応機構を提案する。
論文 参考訳（メタデータ） (2021-10-21T13:25:52Z) - MHFC: Multi-Head Feature Collaboration for Few-Shot Learning [17.699793591135904]
少ないショットラーニングは、データスカース問題に対処することを目的としている。
本稿では,マルチヘッド特徴を統一空間に投影しようとするマルチヘッド特徴協調(MHFC)アルゴリズムを提案する。
提案手法を5つのベンチマークデータセットで評価し,最新技術と比較して2.1%-7.8%の大幅な改善を実現した。
論文 参考訳（メタデータ） (2021-09-16T08:09:35Z) - Federated Graph Learning -- A Position Paper [36.424411232612606]
フェデレートラーニング(FL)は、データを分散化しながら共有モデルを協調的にトレーニングできる新興技術である。
これをFGL(Federated Graph Learning)と呼ぶ。
クライアント間でグラフデータを分散する方法を考慮し、グラフ間FL、グラフ内FL、グラフ構造化FLの4種類のFGLを提案する。
論文 参考訳（メタデータ） (2021-05-24T05:39:24Z) - Revisiting Few-shot Relation Classification: Evaluation Data and
Classification Schemes [57.34346419239118]
教師付きRC用データセットから,より現実的な数ショットテストデータを得るための新しい手法を提案する。
これにより、FSL RCの新たな挑戦的なベンチマークが得られ、その上で、アートモデルの状態はパフォーマンスの低下を示している。
そこで我々はNOTAカテゴリを学習ベクトルとして表現する新しい分類手法を提案する。
論文 参考訳（メタデータ） (2021-04-17T08:16:49Z) - PTN: A Poisson Transfer Network for Semi-supervised Few-shot Learning [21.170726615606185]
半教師付き小ショット学習のためのラベルのない情報をマイニングするためのPoisson Transfer Network (PTN)を提案する。
提案手法は,少数のラベル付きデータに対する過剰フィッティング問題を軽減するために,新規クラスの埋め込みを暗黙的に学習する。
論文 参考訳（メタデータ） (2020-12-20T04:44:37Z) - Hybrid Consistency Training with Prototype Adaptation for Few-Shot
Learning [11.873143649261362]
Few-Shot Learningは、低データ構造におけるモデルの一般化能力を改善することを目的としている。
近年のFSL研究は,メートル法学習,メタラーニング,表現学習などを通じて着実に進展している。
論文 参考訳（メタデータ） (2020-11-19T19:51:33Z) - Information Bottleneck Constrained Latent Bidirectional Embedding for
Zero-Shot Learning [59.58381904522967]
本稿では,密な視覚-意味的結合制約を持つ埋め込み型生成モデルを提案する。
視覚空間と意味空間の両方の埋め込みパラメトリック分布を校正する統合潜在空間を学習する。
本手法は, 画像のラベルを生成することにより, トランスダクティブZSL設定に容易に拡張できる。
論文 参考訳（メタデータ） (2020-09-16T03:54:12Z) - Contrastive and Generative Graph Convolutional Networks for Graph-based
Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。
本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-15T13:59:28Z)
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。