論文の概要: Orthogonal-Coding-Based Feature Generation for Transductive Open-Set
Recognition via Dual-Space Consistent Sampling
- arxiv url: http://arxiv.org/abs/2207.05957v1
- Date: Wed, 13 Jul 2022 04:29:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 11:55:59.249026
- Title: Orthogonal-Coding-Based Feature Generation for Transductive Open-Set
Recognition via Dual-Space Consistent Sampling
- Title（参考訳）: デュアル空間一貫性サンプリングによるトランスダクティブオープンセット認識のための直交符号化に基づく特徴生成
- Authors: Jiayin Sun and Qiulei Dong
- Abstract要約: Open-set Recognition (OSR)は、未知のクラスサンプルを同時に検出し、既知のクラスサンプルを分類することを目的としている。
我々は,3つのモジュールを反復的に実装したIT-OSRという反復型トランスダクティブOSRフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 11.929584800629673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open-set recognition (OSR) aims to simultaneously detect unknown-class
samples and classify known-class samples. Most of the existing OSR methods are
inductive methods, which generally suffer from the domain shift problem that
the learned model from the known-class domain might be unsuitable for the
unknown-class domain. Addressing this problem, inspired by the success of
transductive learning for alleviating the domain shift problem in many other
visual tasks, we propose an Iterative Transductive OSR framework, called
IT-OSR, which implements three explored modules iteratively, including a
reliability sampling module, a feature generation module, and a baseline update
module. Specifically, at each iteration, a dual-space consistent sampling
approach is presented in the explored reliability sampling module for selecting
some relatively more reliable ones from the test samples according to their
pseudo labels assigned by a baseline method, which could be an arbitrary
inductive OSR method. Then, a conditional dual-adversarial generative network
under an orthogonal coding condition is designed in the feature generation
module to generate discriminative sample features of both known and unknown
classes according to the selected test samples with their pseudo labels.
Finally, the baseline method is updated for sample re-prediction in the
baseline update module by jointly utilizing the generated features, the
selected test samples with pseudo labels, and the training samples. Extensive
experimental results on both the standard-dataset and the cross-dataset
settings demonstrate that the derived transductive methods, by introducing two
typical inductive OSR methods into the proposed IT-OSR framework, achieve
better performances than 15 state-of-the-art methods in most cases.
- Abstract（参考訳）: Open-set Recognition (OSR)は、未知のクラスサンプルを同時に検出し、既知のクラスサンプルを分類することを目的としている。
既存のosrメソッドのほとんどは帰納的メソッドであり、一般に既知のクラスドメインから学習されたモデルが未知のクラスドメインに適合しないかもしれないドメインシフト問題に苦しむ。
本稿では,多くのビジュアルタスクにおける領域シフト問題を解決するためのトランスダクティブ学習の成功に触発されて,信頼性サンプリングモジュール,機能生成モジュール,ベースライン更新モジュールを含む3つの探索モジュールを反復的に実装した,it-osrと呼ばれる反復的トランスダクティブosrフレームワークを提案する。
具体的には、各イテレーションにおいて、任意の帰納的osr法であるベースライン法によって割り当てられた擬似ラベルに従って、テストサンプルから比較的信頼性の高いものを選択するための、検討された信頼性サンプリングモジュールにデュアルスペース一貫したサンプリングアプローチが提示される。
そして、この特徴生成モジュールにおいて、直交符号化条件下での条件付き双対対生成ネットワークを設計し、選択したテストサンプルと擬似ラベルとに基づいて、未知クラスと未知クラスの識別サンプル特徴を生成する。
最後に、生成された特徴、選択されたテストサンプルに擬似ラベルとトレーニングサンプルを併用することにより、ベースライン更新モジュールのサンプル再予測のためにベースラインメソッドを更新する。
提案したIT-OSRフレームワークに2つの典型的なインダクティブOSRメソッドを導入することで,ほとんどの場合において15の最先端手法よりも優れた性能が得られることを示す。
関連論文リスト
- Diffusion-based Layer-wise Semantic Reconstruction for Unsupervised Out-of-Distribution Detection [30.02748131967826]
教師なしのアウト・オブ・ディストリビューション(OOD)検出は、未ラベルのIn-Distribution(ID)トレーニングサンプルからのみ学習することで、ドメイン外のデータを識別することを目的としている。
現在の再構成手法は, 画素/機能空間における入力と対応する生成物間の再構成誤差を測定することで, 優れた代替手法を提供する。
拡散に基づく階層的意味再構成手法を提案する。
論文 参考訳（メタデータ） (2024-11-16T04:54:07Z) - Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-07-20T01:34:13Z) - Combining X-Vectors and Bayesian Batch Active Learning: Two-Stage Active Learning Pipeline for Speech Recognition [0.0]
本稿では,音声認識のための新しい2段階アクティブ・ラーニング・パイプラインを提案する。
第1段階では、ラベルなし音声データから多様なサンプル選択を行うために、xベクトルクラスタリングを用いて教師なしALを利用する。
第2段階には、ASR用に特別に開発されたバッチALメソッドを備えた、教師付きAL戦略が組み込まれている。
論文 参考訳（メタデータ） (2024-05-03T19:24:41Z) - Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。
現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。
疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
論文 参考訳（メタデータ） (2023-10-19T12:59:55Z) - Dual Adaptive Representation Alignment for Cross-domain Few-shot
Learning [58.837146720228226]
ベース知識から学習することで、限られたサポートサンプルを持つ新規なクエリを認識することを目的としている。
この設定の最近の進歩は、ベース知識と新しいクエリサンプルが同じドメインに分散されていることを前提としている。
本稿では,ターゲットドメインで利用可能なサンプルが極めて少ないドメイン間数ショット学習の問題に対処することを提案する。
論文 参考訳（メタデータ） (2023-06-18T09:52:16Z) - Integrative conformal p-values for powerful out-of-distribution testing
with labeled outliers [1.6371837018687636]
本稿では,参照集合と同じ分布から新しい観測結果がサンプリングされたかどうかを検証するための新しいコンフォメーション手法を開発した。
提案手法は, 既知分布データからの依存側情報に基づいて, 標準のp値を再重み付けすることができる。
このソリューションは、サンプル分割または新しいトランスダクティブクロスバリデーション+スキームによって実装することができる。
論文 参考訳（メタデータ） (2022-08-23T17:52:20Z) - 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) - MM-TTA: Multi-Modal Test-Time Adaptation for 3D Semantic Segmentation [104.48766162008815]
本稿では,3次元セマンティックセグメンテーションのためのテスト時間適応のマルチモーダル拡張を提案する。
マルチモダリティを最大限に活用できるフレームワークを設計するために、各モダリティは他のモダリティに対して正規化された自己監督信号を提供する。
正規化された擬似ラベルは、多数の多モードテスト時間適応シナリオにおいて安定した自己学習信号を生成する。
論文 参考訳（メタデータ） (2022-04-27T02:28:12Z) - BatchFormerV2: Exploring Sample Relationships for Dense Representation
Learning [88.82371069668147]
BatchFormerV2はより一般的なバッチトランスフォーマーモジュールである。
BatchFormerV2は、現在のDETRベースの検出方法を1.3%以上改善している。
論文 参考訳（メタデータ） (2022-04-04T05:53:42Z) - ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification [25.035093667770052]
2つのモジュールを含むアンチノイズラーニング(ANL)アプローチを提案します。
FDAモジュールは、カメラ回りのコントラスト学習と逆適応を通じて、ID関連サンプルを収集し、ID非関連サンプルを分散するように設計されています。
reliable sample selection(rss)モジュールは、ノイズラベルを訂正し、メインモデルの信頼できるサンプルを選択するために補助モデルを使用する。
論文 参考訳（メタデータ） (2020-12-27T02:38:45Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z)
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。