論文の概要: Zero-Shot Logit Adjustment

• arxiv url: http://arxiv.org/abs/2204.11822v2
• Date: Thu, 28 Apr 2022 15:21:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-29 10:35:57.150118
• Title: Zero-Shot Logit Adjustment
• Title（参考訳）: ゼロショットロジット調整
• Authors: Dubing Chen, Yuming Shen, Haofeng Zhang, Philip H.S. Torr
• Abstract要約: Generalized Zero-Shot Learning (GZSL) は意味記述に基づく学習技術である。 本稿では,分類器の改良を無視しつつ,ジェネレータの効果を高める新しい世代ベース手法を提案する。 実験により,提案手法が基本生成器と組み合わせた場合の最先端化を実現し,様々なゼロショット学習フレームワークを改良できることが実証された。
• 参考スコア（独自算出の注目度）: 89.68803484284408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic-descriptor-based Generalized Zero-Shot Learning (GZSL) poses challenges in recognizing novel classes in the test phase. The development of generative models enables current GZSL techniques to probe further into the semantic-visual link, culminating in a two-stage form that includes a generator and a classifier. However, existing generation-based methods focus on enhancing the generator's effect while neglecting the improvement of the classifier. In this paper, we first analyze of two properties of the generated pseudo unseen samples: bias and homogeneity. Then, we perform variational Bayesian inference to back-derive the evaluation metrics, which reflects the balance of the seen and unseen classes. As a consequence of our derivation, the aforementioned two properties are incorporated into the classifier training as seen-unseen priors via logit adjustment. The Zero-Shot Logit Adjustment further puts semantic-based classifiers into effect in generation-based GZSL. Our experiments demonstrate that the proposed technique achieves state-of-the-art when combined with the basic generator, and it can improve various generative zero-shot learning frameworks. Our codes are available on https://github.com/cdb342/IJCAI-2022-ZLA.
• Abstract（参考訳）: 意味記述に基づく汎用ゼロショット学習(GZSL)は、テストフェーズにおける新しいクラスを認識する上での課題である。 生成モデルの開発により、現在のGZSL技術は意味と視覚のリンクをさらに探究し、ジェネレータと分類器を含む2段階の形式を決定できる。 しかし、既存の世代ベースの手法は、分類器の改善を無視しながらジェネレータの効果を高めることに重点を置いている。 本稿では,生成した疑似未発見試料の2つの性質,バイアスと均質性について最初に解析する。 次に,評価指標をバック導出するために変分ベイズ推定を行い,見掛けたクラスと見当たらないクラスのバランスを反映する。 導出の結果,上記の2つの特性を,ロジット調整による見知らぬ事前学習として分類器訓練に取り入れた。 Zero-Shot Logit Adjustmentはさらに、セマンティックベースの分類器を世代ベースのGZSLで有効にしている。 提案手法は,基本生成器と組み合わせることで最先端技術を実現し,様々な生成型ゼロショット学習フレームワークを改良できることを示す。 私たちのコードはhttps://github.com/cdb342/IJCAI-2022-ZLAで公開されています。

関連論文リスト

• Visual-Augmented Dynamic Semantic Prototype for Generative Zero-Shot Learning [56.16593809016167]
  本稿では,視覚・視覚の正確なマッピングを学習するために,ジェネレータを高速化するビジュアル拡張動的セマンティックプロトタイプ(VADS)を提案する。 VADSは2つのモジュールから構成される:(1)視覚認識ドメイン知識学習モジュール(VDKL)は視覚特徴の局所バイアスとグローバル先行を学習し、純粋なガウス雑音を置き換え、よりリッチな事前ノイズ情報を提供する;(2)視覚指向セマンティックアップダクションモジュール(VOSU)は、サンプルの視覚表現に従ってセマンティックプロトタイプを更新する。
  論文  参考訳（メタデータ） (2024-04-23T07:39:09Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Contrastive Embedding for Generalized Zero-Shot Learning [22.050109158293402]
  汎用ゼロショット学習(GZSL)は、目に見えないクラスと見えないクラスの両方からオブジェクトを認識することを目的としている。 最近の特徴生成手法は、見当たらないクラスの視覚的特徴を合成できる生成モデルを学ぶ。 本稿では,生成モデルを組込みモデルに統合し,ハイブリッドgzslフレームワークを実現することを提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:54:03Z)
• Learning Clusterable Visual Features for Zero-Shot Recognition [38.8104394191698]
  ゼロショット学習(ZSL)では、条件付きジェネレータが追加のトレーニング機能を生成するために広く使用されている。 本稿では,ZSL問題に対するクラスタリング可能な特徴を学習することを提案する。 SUN、CUB、AWA2データセットの実験では、以前の最先端ZSL結果よりも一貫した改善が見られた。
  論文  参考訳（メタデータ） (2020-10-07T07:58:55Z)
• Generalized Zero-Shot Learning via VAE-Conditioned Generative Flow [83.27681781274406]
  一般化されたゼロショット学習は、意味的記述から視覚的表現へ知識を移すことによって、目に見えないクラスと見えないクラスの両方を認識することを目的としている。 近年のGZSLはデータ不足問題として定式化されており、主にGANやVAEを採用して、目に見えないクラスの視覚的特徴を生成する。 GZSLのための条件付き生成フロー,すなわちVAE-Conditioned Generative Flow (VAE-cFlow)を提案する。
  論文  参考訳（メタデータ） (2020-09-01T09:12:31Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)
• Invertible Zero-Shot Recognition Flows [42.839333265321905]
  本研究はゼロショット学習(ZSL)に新たな生成モデル(フローベースモデル)を取り入れたものである。 提案したInvertible Zero-shot Flow (IZF) は、逆パスがデータサンプルを生成する間、非可逆フローネットワークの前方パスに分解されたデータ埋め込みを学習する。 広く採用されているZSLベンチマークの実験では、既存の手法よりもIZFの性能が著しく向上していることが示されている。
  論文  参考訳（メタデータ） (2020-07-09T15:21:28Z)

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。