論文の概要: Joint Distribution Matters: Deep Brownian Distance Covariance for Few-Shot Classification

• arxiv url: http://arxiv.org/abs/2204.04567v1
• Date: Sat, 9 Apr 2022 23:37:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 13:52:40.526706
• Title: Joint Distribution Matters: Deep Brownian Distance Covariance for Few-Shot Classification
• Title（参考訳）: 共同分布問題:マイトショット分類のための深ブラウン距離共分散
• Authors: Jiangtao Xie, Fei Long, Jiaming Lv, Qilong Wang, Peihua Li
• Abstract要約: 少数ショット分類のための深部ブラウン距離共分散法(DeepBDC)を提案する。 我々は、一般的なオブジェクト認識、きめ細かい分類、ドメイン間分類を含む6つの標準のショット画像ベンチマークで実験を行う。 DeepBDCは、新しい最先端の結果を確立しながら、その成果を著しく上回っています。
• 参考スコア（独自算出の注目度）: 21.475704715652668
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Few-shot classification is a challenging problem as only very few training examples are given for each new task. One of the effective research lines to address this challenge focuses on learning deep representations driven by a similarity measure between a query image and few support images of some class. Statistically, this amounts to measure the dependency of image features, viewed as random vectors in a high-dimensional embedding space. Previous methods either only use marginal distributions without considering joint distributions, suffering from limited representation capability, or are computationally expensive though harnessing joint distributions. In this paper, we propose a deep Brownian Distance Covariance (DeepBDC) method for few-shot classification. The central idea of DeepBDC is to learn image representations by measuring the discrepancy between joint characteristic functions of embedded features and product of the marginals. As the BDC metric is decoupled, we formulate it as a highly modular and efficient layer. Furthermore, we instantiate DeepBDC in two different few-shot classification frameworks. We make experiments on six standard few-shot image benchmarks, covering general object recognition, fine-grained categorization and cross-domain classification. Extensive evaluations show our DeepBDC significantly outperforms the counterparts, while establishing new state-of-the-art results. The source code is available at http://www.peihuali.org/DeepBDC
• Abstract（参考訳）: 少数ショットの分類は難しい問題であり、新しいタスク毎にトレーニング例が与えられるのはごくわずかである。 この課題に対処する有効な研究の1つは、クエリイメージと一部のクラスのサポートイメージとの類似性による深層表現の学習に焦点を当てている。 統計的には、これは高次元埋め込み空間におけるランダムベクトルと見なされる画像特徴の依存性を測定する。 従来の方法は、ジョイント分布を考慮せずに限界分布のみを使用するか、限定的な表現能力に苦しむか、ジョイント分布を利用して計算的に高価である。 本稿では, 深さブラウン距離共分散法(deepbdc法)を提案する。 DeepBDCの中心となる考え方は、組込み特徴関数と辺縁積との相違を計測して画像表現を学ぶことである。 BDC計量は分離されるので、高度にモジュール化され効率的な層として定式化する。 さらに、DeepBDCを2つの異なるショット分類フレームワークでインスタンス化する。 一般的なオブジェクト認識,細粒度分類,クロスドメイン分類を含む,6つの標準の少数ショット画像ベンチマーク実験を行った。 広範囲な評価から、DeepBDCは、新たな最先端の結果を確立しながら、その成果を大きく上回っていることが分かる。 ソースコードはhttp://www.peihuali.org/DeepBDCで入手できる。

関連論文リスト

• Annotation Cost-Efficient Active Learning for Deep Metric Learning Driven Remote Sensing Image Retrieval [3.2109665109975696]
  ANNEALは、類似した、異種のイメージペアで構成された、小さくて情報的なトレーニングセットを作成することを目的としている。 不確実性と多様性の基準を組み合わせることにより、画像対の情報性を評価する。 このアノテート方式は、ランド・ユース・ランド・カバー・クラスラベルによるアノテート画像と比較して、アノテーションコストを著しく削減する。
  論文  参考訳（メタデータ） (2024-06-14T15:08:04Z)
• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• Not Just Learning from Others but Relying on Yourself: A New Perspective on Few-Shot Segmentation in Remote Sensing [14.37799301656178]
  Few-shot segmentation (FSS) は、いくつかの注釈付きサンプルで未知のクラスターゲットをセグメンテーションするために提案されている。 我々は、クロスイメージマイニングとセルフマイニングのためのDMNetというデュアルマイニングネットワークを開発した。 Resnet-50のバックボーンを持つ我々のモデルは、1ショットと5ショット設定でiSAID上で49.58%と51.34%のmIoUを達成する。
  論文  参考訳（メタデータ） (2023-10-19T04:09:10Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
  textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。 広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
  論文  参考訳（メタデータ） (2021-03-30T00:48:28Z)

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。