論文の概要: Mixup-based Deep Metric Learning Approaches for Incomplete Supervision

• arxiv url: http://arxiv.org/abs/2204.13572v1
• Date: Thu, 28 Apr 2022 15:36:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-29 13:17:58.297305
• Title: Mixup-based Deep Metric Learning Approaches for Incomplete Supervision
• Title（参考訳）: 不完全なスーパービジョンのための混合型Deep Metric Learningアプローチ
• Authors: Luiz H. Buris, Daniel C. G. Pedronette, Joao P. Papa, Jurandy Almeida, Gustavo Carneiro, Fabio A. Faria
• Abstract要約: 本稿では,Mixupと組み合わせた3つの深度学習手法を提案する。 このようなシナリオでは,メトリクス学習における最先端のアプローチがうまく機能しない場合がある。 提案されたアプローチは、その大部分を異なるデータセットで上回る。
• 参考スコア（独自算出の注目度）: 10.890870863826093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning architectures have achieved promising results in different areas (e.g., medicine, agriculture, and security). However, using those powerful techniques in many real applications becomes challenging due to the large labeled collections required during training. Several works have pursued solutions to overcome it by proposing strategies that can learn more for less, e.g., weakly and semi-supervised learning approaches. As these approaches do not usually address memorization and sensitivity to adversarial examples, this paper presents three deep metric learning approaches combined with Mixup for incomplete-supervision scenarios. We show that some state-of-the-art approaches in metric learning might not work well in such scenarios. Moreover, the proposed approaches outperform most of them in different datasets.
• Abstract（参考訳）: ディープラーニングアーキテクチャは様々な分野(医学、農業、安全保障など)で有望な成果を上げている。 しかし、これらの強力なテクニックを多くの実アプリケーションで使用することは、トレーニングに必要な大きなラベル付きコレクションのために困難になる。 弱みや半教師付き学習アプローチなど、より多くを学ぶことができる戦略を提案することによって、克服するためのソリューションを追求する研究がいくつかある。 これらの手法は、通常、敵の例に対する暗記や感度に対処しないため、不完全スーパービジョンシナリオにおいて、Mixupと組み合わせた3つの深度学習手法を提案する。 このようなシナリオでは,メトリクス学習における最先端のアプローチがうまく機能しない場合がある。 さらに、提案されたアプローチは、その大部分を異なるデータセットで上回る。

関連論文リスト

• Better Understanding Differences in Attribution Methods via Systematic Evaluations [57.35035463793008]
  モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。 本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。 これらの評価手法を用いて、広範囲のモデルにおいて広く用いられている属性手法の長所と短所について検討する。
  論文  参考訳（メタデータ） (2023-03-21T14:24:58Z)
• Towards Better Understanding Attribution Methods [77.1487219861185]
  モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。 本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。 また,いくつかの属性法の性能を著しく向上する処理後平滑化ステップを提案する。
  論文  参考訳（メタデータ） (2022-05-20T20:50:17Z)
• Let the Model Decide its Curriculum for Multitask Learning [22.043291547405545]
  モデルに基づくアプローチによって計算される難易度に基づく学習カリキュラムにトレーニングインスタンスを配置する手法を2種類提案する。 インスタンスレベルとデータセットレベルの技術は、それぞれのベースラインに対して平均4.17%と3.15%のパフォーマンス向上をもたらすため、強い表現をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-19T23:34:22Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Meta Navigator: Search for a Good Adaptation Policy for Few-shot Learning [113.05118113697111]
  少ないショット学習は、ラベル付きデータしか持たない新しいタスクに、以前のタスクから学んだ知識を適応させることを目的としている。 少数ショット学習に関する研究文献は、大きな多様性を示し、異なるアルゴリズムは、しばしば異なる少数ショット学習シナリオで優れている。 本稿では,メタナビゲータ(Meta Navigator)について紹介する。
  論文  参考訳（メタデータ） (2021-09-13T07:20:01Z)
• LoOp: Looking for Optimal Hard Negative Embeddings for Deep Metric Learning [17.571160136568455]
  埋め込み空間における最適強陰性(LoOp)を求める新しい手法を提案する。 マイニング法とは違って, 最適硬質負を計算するために, 組込みの組込み間の空間全体を考慮した。
  論文  参考訳（メタデータ） (2021-08-20T19:21:33Z)
• ImitAL: Learning Active Learning Strategies from Synthetic Data [14.758287202278918]
  アクティブラーニングはラベル付きデータを効率的に取得するためのよく知られた標準手法である。 我々は、ALを学習からランクへの問題としてエンコードする新しいクエリ戦略であるImitALを提案する。 このアプローチは他のほとんどの戦略、特に非常に大規模なデータセットよりも実行時パフォーマンスが高いことを示す。
  論文  参考訳（メタデータ） (2021-08-17T15:03:31Z)
• An Investigation of Replay-based Approaches for Continual Learning [79.0660895390689]
  連続学習(CL)は機械学習(ML)の大きな課題であり、破滅的忘れ(CF)を伴わずに連続的に複数のタスクを学習する能力を記述する。 いくつかの解クラスが提案されており、その単純さと堅牢性から、いわゆるリプレイベースのアプローチは非常に有望であるように思われる。 連続学習におけるリプレイに基づくアプローチを実証的に検討し,応用の可能性を評価する。
  論文  参考訳（メタデータ） (2021-08-15T15:05:02Z)
• A Survey on Deep Semi-supervised Learning [51.26862262550445]
  まず,既存の手法を分類した深層半指導学習の分類法を提案する。 次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
  論文  参考訳（メタデータ） (2021-02-28T16:22:58Z)
• Hyperspherical embedding for novel class classification [1.5952956981784217]
  本稿では,正規化ソフトマックス損失下での潜在空間の表現に制約に基づくアプローチを提案する。 本研究では,メトリクス学習と正規化ソフトマックス損失の両方を用いて,異なるデータセット上の未知のクラスを分類するための提案手法を実験的に検証した。 この結果から,提案した戦略は,ペアワイズ学習を必要とせず,メトリック学習戦略よりも優れた分類結果を提供するため,より大規模なクラスで効率的に学習可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-05T15:42:13Z)
• Learning to Localize in New Environments from Synthetic Training Data [26.194505911908585]
  モデルアーキテクチャに特定の変更を適用することで、新しいシーンに一般化できるアプローチを提案する。 提案手法は, SIFT特徴量を用いた5点アルゴリズムを等大画像上で高速化する。
  論文  参考訳（メタデータ） (2020-11-09T16:19:35Z)

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。