論文の概要: Class-Specific Semantic Reconstruction for Open Set Recognition

• arxiv url: http://arxiv.org/abs/2207.02158v1
• Date: Tue, 5 Jul 2022 16:25:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-06 14:51:54.660120
• Title: Class-Specific Semantic Reconstruction for Open Set Recognition
• Title（参考訳）: 開集合認識のためのクラス特異的意味再構成
• Authors: Hongzhi Huang, Yu Wang, Qinghua Hu, Ming-Ming Cheng
• Abstract要約: オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。 本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。 複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
• 参考スコア（独自算出の注目度）: 101.24781422480406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open set recognition enables deep neural networks (DNNs) to identify samples of unknown classes, while maintaining high classification accuracy on samples of known classes. Existing methods basing on auto-encoder (AE) and prototype learning show great potential in handling this challenging task. In this study, we propose a novel method, called Class-Specific Semantic Reconstruction (CSSR), that integrates the power of AE and prototype learning. Specifically, CSSR replaces prototype points with manifolds represented by class-specific AEs. Unlike conventional prototype-based methods, CSSR models each known class on an individual AE manifold, and measures class belongingness through AE's reconstruction error. Class-specific AEs are plugged into the top of the DNN backbone and reconstruct the semantic representations learned by the DNN instead of the raw image. Through end-to-end learning, the DNN and the AEs boost each other to learn both discriminative and representative information. The results of experiments conducted on multiple datasets show that the proposed method achieves outstanding performance in both close and open set recognition and is sufficiently simple and flexible to incorporate into existing frameworks.
• Abstract（参考訳）: オープンセット認識により、ディープニューラルネットワーク(DNN)は未知クラスのサンプルを特定しつつ、既知のクラスのサンプルに対する高い分類精度を維持することができる。 オートエンコーダ(AE)とプロトタイプ学習に基づく既存の手法は、この課題に対処する上で大きな可能性を秘めている。 本研究では,AEのパワーとプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。 具体的には、CSSRはプロトタイプポイントをクラス固有のAEで表される多様体に置き換える。 従来のプロトタイプベースの手法とは異なり、CSSRは個々のAE多様体上の既知のクラスをモデル化し、AEの再構成エラーによってクラス所有度を測定する。 クラス固有のAEは、DNNバックボーンの上部にプラグインされ、生の画像の代わりにDNNが学んだ意味表現を再構築する。 エンドツーエンドの学習を通じて、DNNとAEは互いに強化し、差別的情報と代表的情報の両方を学ぶ。 複数のデータセットで実験を行った結果,提案手法は近接および開集合認識において優れた性能を示し,既存のフレームワークに組み込むには十分単純かつ柔軟であることがわかった。

関連論文リスト

• Exploring Diverse Representations for Open Set Recognition [51.39557024591446]
  オープンセット認識(OSR)では、テスト中に未知のサンプルを拒絶しながら、クローズドセットに属するサンプルを分類する必要がある。 現在、生成モデルはOSRの差別モデルよりもよく機能している。 本稿では,多種多様な表現を識別的に学習するMulti-Expert Diverse Attention Fusion(MEDAF)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T11:40:22Z)
• OpenIncrement: A Unified Framework for Open Set Recognition and Deep Class-Incremental Learning [4.278434830731282]
  オープンな集合認識と統合された深層学習フレームワークを提案する。 提案手法は,クラスに学習した特徴を改良し,距離に基づくオープンセット認識に適応させる。 実験により,本手法が最先端のインクリメンタル学習技術より優れていることを確認した。
  論文  参考訳（メタデータ） (2023-10-05T19:08:08Z)
• Learning Common Rationale to Improve Self-Supervised Representation for Fine-Grained Visual Recognition Problems [61.11799513362704]
  我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。 SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-03T02:07:40Z)
• Open-World Object Detection via Discriminative Class Prototype Learning [4.055884768256164]
  オープンワールドオブジェクト検出(OWOD)は、オブジェクト検出とインクリメンタルラーニングとオープンセットラーニングを組み合わせた難しい問題である。 OCPL: 差別的OCPL: オープンワールドオブジェクト検出: 差別的OCPL: 差別的OCPL: オープンワールドオブジェクト検出: 差別的OCPL: 差別的OCPL: オープンワールドオブジェクト検出: 差別的OCPL: 差別的OCPL: オープンワールドオブジェクト検出: 差別的OCPL: 差別的OCPL: オープンワールドオブジェクト検出: オープンワールドオブジェクト検出
  論文  参考訳（メタデータ） (2023-02-23T03:05:04Z)
• Model-Agnostic Few-Shot Open-Set Recognition [36.97433312193586]
  我々はFew-Shot Open-Set Recognition (FSOSR) 問題に取り組む。 既存のモデルにプラグイン可能なモデルに依存しない推論手法の開発に注力する。 オープン・セット・トランスダクティブ・インフォメーション・最大化手法OSTIMを提案する。
  論文  参考訳（メタデータ） (2022-06-18T16:27:59Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Self-supervised Detransformation Autoencoder for Representation Learning in Open Set Recognition [0.0]
  オープンセット認識問題に対する自己超越手法であるDetransformation Autoencoder (DTAE)を提案する。 提案手法は,未知のクラスを検出し,未知のクラスを分類する上で,大きな利益をもたらす。
  論文  参考訳（メタデータ） (2021-05-28T02:45:57Z)
• Deep Metric Structured Learning For Facial Expression Recognition [58.7528672474537]
  本研究では,よく定義された構造を持つ組込み部分空間を作成するための深度計量学習モデルを提案する。 これらの部分空間を作成するために、出力空間上にガウス構造を課す新しい損失関数が導入された。 学習した埋め込みは,表現検索や感情認識など,様々な応用に有効であることが実験的に実証された。
  論文  参考訳（メタデータ） (2020-01-18T06:23:18Z)

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。