論文の概要: PMAL: Open Set Recognition via Robust Prototype Mining

• arxiv url: http://arxiv.org/abs/2203.08569v1
• Date: Wed, 16 Mar 2022 11:58:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-17 15:35:19.122163
• Title: PMAL: Open Set Recognition via Robust Prototype Mining
• Title（参考訳）: PMAL:ロバストなプロトタイプマイニングによるオープンセット認識
• Authors: Jing Lu, Yunxu Xu, Hao Li, Zhanzhan Cheng and Yi Niu
• Abstract要約: プロトタイプマイニング・アンド・ラーニング(PMAL)フレームワークを提案する。 埋め込み空間を最適化するフェーズの前に、プロトタイプのマイニング機構を持つ。 提案手法は,最先端技術と比較して,優れた性能を示す。
• 参考スコア（独自算出の注目度）: 31.326630023828187
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Open Set Recognition (OSR) has been an emerging topic. Besides recognizing predefined classes, the system needs to reject the unknowns. Prototype learning is a potential manner to handle the problem, as its ability to improve intra-class compactness of representations is much needed in discrimination between the known and the unknowns. In this work, we propose a novel Prototype Mining And Learning (PMAL) framework. It has a prototype mining mechanism before the phase of optimizing embedding space, explicitly considering two crucial properties, namely high-quality and diversity of the prototype set. Concretely, a set of high-quality candidates are firstly extracted from training samples based on data uncertainty learning, avoiding the interference from unexpected noise. Considering the multifarious appearance of objects even in a single category, a diversity-based strategy for prototype set filtering is proposed. Accordingly, the embedding space can be better optimized to discriminate therein the predefined classes and between known and unknowns. Extensive experiments verify the two good characteristics (i.e., high-quality and diversity) embraced in prototype mining, and show the remarkable performance of the proposed framework compared to state-of-the-arts.
• Abstract（参考訳）: オープンセット認識(OSR)が注目されている。 事前に定義されたクラスを認識するだけでなく、システムは未知のクラスを拒否する必要がある。 プロトタイプ学習は、未知と未知の区別において、表現のクラス内コンパクト性を改善する能力が必要となるため、この問題に対処する潜在的な方法である。 本研究では,新しいPMAL(Prototype Mining And Learning)フレームワークを提案する。 埋め込み空間を最適化する段階でプロトタイプ採掘機構を持ち、プロトタイプセットの高品質と多様性という2つの重要な性質を明示的に考慮している。 具体的には、まず、データ不確実性学習に基づくトレーニングサンプルから高品質な候補を抽出し、予期せぬノイズからの干渉を避ける。 単一カテゴリにおいても多彩なオブジェクトの出現を考えると,プロトタイプセットフィルタリングのための多様性に基づく戦略が提案されている。 したがって、埋め込み空間は、事前定義されたクラスと既知のクラスと未知クラスを区別するためにより最適化することができる。 大規模な実験は、プロトタイプ採掘に取り入れられた2つの優れた特性(すなわち高品質と多様性)を検証し、最先端技術と比較して提案されたフレームワークの顕著な性能を示す。

関連論文リスト

• 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)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS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） (2021-11-09T08:14:50Z)
• Prototype Completion for Few-Shot Learning [13.63424509914303]
  少数ショット学習は、いくつかの例で新しいクラスを認識することを目的としている。 事前学習に基づく手法は,特徴抽出器を事前学習し,最寄りのセントロイド型メタラーニングを通して微調整することで,この問題に効果的に対処する。 本稿では,完成度に基づくメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-11T03:44:00Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• Prototype Completion with Primitive Knowledge for Few-Shot Learning [20.449056536438658]
  少ないショット学習は、新しいクラスのための分類器を少数の例で学習することを目的とした、難しい課題である。 事前学習に基づくメタラーニング手法は,特徴抽出器を事前学習し,最寄りのセントロイド型メタラーニングを通して微調整することで,この問題に効果的に対処する。 本稿では,完成度に基づくメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-10T16:09:34Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。