論文の概要: A Simple Approach to Adversarial Robustness in Few-shot Image Classification

• arxiv url: http://arxiv.org/abs/2204.05432v1
• Date: Mon, 11 Apr 2022 22:46:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 04:33:44.285038
• Title: A Simple Approach to Adversarial Robustness in Few-shot Image Classification
• Title（参考訳）: 少数ショット画像分類における逆ロバスト性に対する簡便なアプローチ
• Authors: Akshayvarun Subramanya, Hamed Pirsiavash
• Abstract要約: 単純な移動学習に基づくアプローチは、逆向きに頑健な数ショット分類器を訓練するのに有効であることを示す。 また,少数ショットカテゴリのセントロイドをベースクラスに校正する手法を提案する。
• 参考スコア（独自算出の注目度）: 20.889464448762176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot image classification, where the goal is to generalize to tasks with limited labeled data, has seen great progress over the years. However, the classifiers are vulnerable to adversarial examples, posing a question regarding their generalization capabilities. Recent works have tried to combine meta-learning approaches with adversarial training to improve the robustness of few-shot classifiers. We show that a simple transfer-learning based approach can be used to train adversarially robust few-shot classifiers. We also present a method for novel classification task based on calibrating the centroid of the few-shot category towards the base classes. We show that standard adversarial training on base categories along with calibrated centroid-based classifier in the novel categories, outperforms or is on-par with state-of-the-art advanced methods on standard benchmarks for few-shot learning. Our method is simple, easy to scale, and with little effort can lead to robust few-shot classifiers. Code is available here: \url{https://github.com/UCDvision/Simple_few_shot.git}
• Abstract（参考訳）: ラベル付きデータに制限のあるタスクに一般化することが目的である画像分類は、ここ数年で大きな進歩を遂げてきた。 しかし、分類器は敵の例に対して脆弱であり、一般化能力に関する疑問を呈する。 最近の研究は、メタラーニングのアプローチと敵対的なトレーニングを組み合わせることで、少数ショット分類器の堅牢性を改善することを試みている。 単純な移動学習に基づくアプローチは、逆向きに頑健な少数ショット分類器の訓練に利用できることを示す。 また,基本クラスに対して,マイトショットカテゴリのセンタロイドを校正することに基づく,新しい分類タスクの手法を提案する。 そこで本研究では,基本カテゴリにおける標準敵意訓練と,新しいカテゴリにおけるセンタロイドベース分類器の校正が,標準ベンチマークによる最先端手法と同等か,あるいは同等かを示す。 この手法は単純でスケールが容易であり,少ない労力でロバストな少数ショット分類が可能となる。 コードはここで入手できる。 \url{https://github.com/UCDvision/Simple_few_shot.git}

関連論文リスト

• Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
  本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。 本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。 無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
  論文  参考訳（メタデータ） (2023-03-21T07:00:35Z)
• A Closer Look at Few-Shot Video Classification: A New Baseline and Benchmark [33.86872697028233]
  本研究は,3つのコントリビューションを生かした映像分類の詳細な研究である。 まず,既存のメートル法を一貫した比較研究を行い,表現学習の限界を明らかにする。 第2に,新しいアクションクラスとImageNetオブジェクトクラスとの間には高い相関関係があることが判明した。 第3に,事前学習をせずに将来的な数ショットビデオ分類を容易にするため,より多くのベースデータを持つ新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-10-24T06:01:46Z)
• Boosting few-shot classification with view-learnable contrastive learning [19.801016732390064]
  埋め込み空間の細粒度構造を学習するために,数ショットの分類に対照的な損失を導入する。 我々は,同じ画像の異なるビューを自動的に生成する学習学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-07-20T03:13:33Z)
• 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)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Meta Learning for Few-Shot One-class Classification [0.0]
  メタ学習問題として,一級分類における意味のある特徴の学習を定式化する。 これらの表現を学習するには、類似したタスクからのマルチクラスデータのみが必要である。 数ショットの分類データセットを、数ショットの1クラスの分類シナリオに適応させることで、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2020-09-11T11:35:28Z)
• Few-Shot Image Classification via Contrastive Self-Supervised Learning [5.878021051195956]
  本稿では,欠陥を修復するための教師なし数発学習の新たなパラダイムを提案する。 我々は2つのフェーズでいくつかの課題を解決した: 対照的な自己教師付き学習を通して、伝達可能な特徴抽出器をメタトレーニングする。 本手法は,標準的な数ショットの視覚的分類データセット上で,多数の確立された数ショットタスクにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-08-23T02:24:31Z)
• Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
  数発の分類問題の調査に2つの貢献をしている。 本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。 本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
  論文  参考訳（メタデータ） (2020-08-10T11:28:52Z)
• Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? [72.00712736992618]
  メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。 追加の増量は自己蒸留によって達成できる。 我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
  論文  参考訳（メタデータ） (2020-03-25T17:58:42Z)
• Frustratingly Simple Few-Shot Object Detection [98.42824677627581]
  希少なクラスにおける既存検出器の最後の層のみを微調整することは、数発の物体検出タスクに不可欠である。 このような単純なアプローチは、現在のベンチマークで約220ポイントのメタ学習方法より優れている。
  論文  参考訳（メタデータ） (2020-03-16T00:29:14Z)

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。