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
- 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) - 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 Novel Class Discovery [76.35226130521758]
クラス増進型新規クラス発見(class-iNCD)の課題について検討する。
基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。
3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
論文 参考訳(メタデータ) (2022-07-18T13:49:27Z) - Do We Really Need a Learnable Classifier at the End of Deep Neural
Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。
実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文 参考訳(メタデータ) (2022-03-17T04:34:28Z) - Label Hallucination for Few-Shot Classification [40.43730385915566]
ほとんどショットの分類では、新しい未知のクラスを認識するために、大きな注釈付きベースデータセットから学んだ知識を適応する必要がある。
これら2つの戦略に代替的なアプローチを提案する。
提案手法は, 精度の高い4つの複数ショット分類ベンチマークにおいて, 最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-12-06T20:18:41Z) - Novel Class Discovery in Semantic Segmentation [104.30729847367104]
セマンティックにおける新しいクラス発見(NCDSS)について紹介する。
ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。
NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。
本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
論文 参考訳(メタデータ) (2021-12-03T13:31:59Z) - CIM: Class-Irrelevant Mapping for Few-Shot Classification [58.02773394658623]
FSC(Few-shot Classification)は近年のホットな問題の一つである。
事前訓練されたFEMを評価する方法は、FSCコミュニティにおいて最も重要な焦点である。
CIM(Class-Irrelevant Mapping)と呼ばれるシンプルなフレキシブルな手法を提案する。
論文 参考訳(メタデータ) (2021-09-07T03:26:24Z) - Adaptive Prototypical Networks with Label Words and Joint Representation
Learning for Few-Shot Relation Classification [17.237331828747006]
本研究は,少ショット関係分類(FSRC)に焦点を当てる。
クラスプロトタイプの表現にラベル単語を追加するための適応的混合機構を提案する。
FewRelでは、異なる数ショット(FS)設定で実験が行われた。
論文 参考訳(メタデータ) (2021-01-10T11:25:42Z)
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。