Fugu-MT 論文翻訳(概要): Task-Prior Conditional Variational Auto-Encoder for Few-Shot Image Classification

論文の概要: Task-Prior Conditional Variational Auto-Encoder for Few-Shot Image Classification

arxiv url: http://arxiv.org/abs/2205.15014v1
Date: Mon, 30 May 2022 11:57:57 GMT
ステータス: 処理完了
システム内更新日: 2022-05-31 15:19:09.791238
Title: Task-Prior Conditional Variational Auto-Encoder for Few-Shot Image Classification
Title（参考訳）: 少数ショット画像分類のためのタスク優先条件変動自動エンコーダ
Authors: Zaiyun Yang
Abstract要約: 本稿では,タスクレベルの事前正規化を条件としたTP-VAEと呼ばれるタスク-プライア変分自動エンコーダモデルを提案する。提案手法は,様々な標準的な数ショット画像分類シナリオにおいて,最先端の手法よりも優れる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Transductive methods always outperform inductive methods in few-shot image classification scenarios. However, the existing few-shot methods contain a latent condition: the number of samples in each class is the same, which may be unrealistic. To cope with those cases where the query shots of each class are nonuniform (i.e. nonuniform few-shot learning), we propose a Task-Prior Conditional Variational Auto-Encoder model named TP-VAE, conditioned on support shots and constrained by a task-level prior regularization. Our method obtains high performance in the more challenging nonuniform few-shot scenarios. Moreover, our method outperforms the state-of-the-art in a wide range of standard few-shot image classification scenarios. Among them, the accuracy of 1-shot increased by about 3\%.
Abstract（参考訳）: トランスダクティブメソッドは常に、数ショットの画像分類シナリオにおいてインダクティブメソッドよりも優れています。しかし、既存の数ショット法には遅延条件が含まれており、各クラスのサンプル数は同じであり、非現実的かもしれない。本研究では,各クラスの問合せショットが一様でない場合(非一様数ショット学習など)に対処するため,TP-VAE と呼ばれるタスクパラメータ条件変分自動エンコーダモデルを提案する。提案手法は,より難易度の高い非一様数発シナリオにおいて高い性能を得る。さらに,本手法は,多種多様な画像分類シナリオにおいて最先端技術よりも優れている。そのうち1発の精度は約3\%向上した。

関連論文リスト

MOWA: Multiple-in-One Image Warping Model [65.73060159073644]
本研究で提案するマルチ・イン・ワン・イメージ・ワープ・モデル(MOWA)について述べる。領域レベルと画素レベルでの動作推定を両立させることにより,マルチタスク学習の難しさを軽減する。私たちの知る限り、これは1つのモデルで複数の実用的なワープタスクを解決する最初の作業です。
論文参考訳（メタデータ） (2024-04-16T16:50:35Z)
Disambiguation of One-Shot Visual Classification Tasks: A Simplex-Based Approach [8.436437583394998]
本稿では,複数の物体の存在を検出するための戦略を提案する。この戦略は、高次元空間における単純体の角を識別することに基づいている。提案手法は,極端設定における精度をわずかながら統計的に向上させる能力を示す。
論文参考訳（メタデータ） (2023-01-16T11:37:05Z)
A Simple Approach to Adversarial Robustness in Few-shot Image Classification [20.889464448762176]
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。
論文参考訳（メタデータ） (2022-04-11T22:46:41Z)
One-Class Meta-Learning: Towards Generalizable Few-Shot Open-Set Classification [2.28438857884398]
本稿では,Meta Binary Cross-Entropy (Meta-BCE) とOne-class Meta-Learning (OCML) の2つの独立した単発一発一発分類手法を紹介する。どちらの手法も、クローズドセットのパフォーマンスを低下させることなく、複数ショットのオープンセット設定で再トレーニングを行うことなく、既存の数ショットの学習方法を拡張することができる。数発のマルチクラスのオープンセットと数発のワンクラスのタスクにおいて、最先端のメソッドを上回る。
論文参考訳（メタデータ） (2021-09-14T17:52:51Z)
Generalized and Incremental Few-Shot Learning by Explicit Learning and Calibration without Forgetting [86.56447683502951]
これらの課題を明確かつ効果的に解決できる3段階のフレームワークを提案する。提案手法を,画像とビデオの断片分類のための4つの挑戦的ベンチマークデータセット上で評価した。
論文参考訳（メタデータ） (2021-08-18T14:21:43Z)
A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文参考訳（メタデータ） (2021-04-29T17:49:48Z)
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)
Few-Shot Learning with Intra-Class Knowledge Transfer [100.87659529592223]
アンバランスなデータセットを用いた数発の分類タスクについて検討する。近年の研究では、生成モデルを用いて数発の授業のトレーニングデータを増やすことで、この課題を解決することが提案されている。本稿では,近隣クラスが類似した統計情報を共有するという直感で,近隣クラスからのクラス内知識を活用することを提案する。
論文参考訳（メタデータ） (2020-08-22T18:15:38Z)
Bayesian Few-Shot Classification with One-vs-Each P\'olya-Gamma Augmented Gaussian Processes [7.6146285961466]
FSC(Few-shot Classification)は、人間のような機械学習への道のりの重要なステップである。 P'olya-Gamma augmentation と one-vs-each softmax approximation の新たな組み合わせを提案する。標準的な数ショット分類ベンチマークと数ショットドメイン転送タスクの両方において、精度の向上と不確かさの定量化を実証した。
論文参考訳（メタデータ） (2020-07-20T19:10:41Z)
Diverse Image Generation via Self-Conditioned GANs [56.91974064348137]
手動でアノテートされたクラスラベルを使わずに、クラス条件付きGANモデルを訓練する。代わりに、我々のモデルは、識別器の特徴空間におけるクラスタリングから自動的に派生したラベルに条件付きである。我々のクラスタリングステップは、自動的に多様なモードを発見し、それらをカバーするためにジェネレータを明示的に必要とします。
論文参考訳（メタデータ） (2020-06-18T17:56:03Z)
Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
論文参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。