論文の概要: Few-shot Open-set Recognition Using Background as Unknowns

• arxiv url: http://arxiv.org/abs/2207.09059v1
• Date: Tue, 19 Jul 2022 04:19:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 13:58:04.179886
• Title: Few-shot Open-set Recognition Using Background as Unknowns
• Title（参考訳）: 背景を未知とした少数ショットオープンセット認識
• Authors: Nan Song, Chi Zhang, Guosheng Lin
• Abstract要約: 未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。 提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
• 参考スコア（独自算出の注目度）: 58.04165813493666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot open-set recognition aims to classify both seen and novel images given only limited training data of seen classes. The challenge of this task is that the model is required not only to learn a discriminative classifier to classify the pre-defined classes with few training data but also to reject inputs from unseen classes that never appear at training time. In this paper, we propose to solve the problem from two novel aspects. First, instead of learning the decision boundaries between seen classes, as is done in standard close-set classification, we reserve space for unseen classes, such that images located in these areas are recognized as the unseen classes. Second, to effectively learn such decision boundaries, we propose to utilize the background features from seen classes. As these background regions do not significantly contribute to the decision of close-set classification, it is natural to use them as the pseudo unseen classes for classifier learning. Our extensive experiments show that our proposed method not only outperforms multiple baselines but also sets new state-of-the-art results on three popular benchmarks, namely tieredImageNet, miniImageNet, and Caltech-USCD Birds-200-2011 (CUB).
• Abstract（参考訳）: 少数ショットのオープンセット認識は、観察されたクラスの限られたトレーニングデータのみを与えられた、見た画像と新しい画像の両方を分類することを目的としている。 このタスクの課題は、事前定義されたクラスを少数のトレーニングデータで分類するために差別的な分類器を学ぶだけでなく、トレーニング時に決して現れない未確認クラスからの入力を拒否することである。 本稿では,2つの新しい側面から問題を解くことを提案する。 第一に、標準クローズセット分類においてなされるように、見るクラス間の決定境界を学習する代わりに、これらの領域にある画像が見えないクラスとして認識されるように、見えないクラスのための空間を予約する。 第2に,このような決定境界を効果的に学習するために,授業の背景となる特徴を活用することを提案する。 これらの背景領域は、クローズセット分類の決定に大きく寄与しないため、分類子学習のための疑似アンセエンクラスとして使用するのが自然である。 広範な実験により,提案手法は複数のベースラインを上回るだけでなく,tieredimagenet,miniimagenet,caltech-uscd birds-200-2011 (cub) の3つのベンチマークで最新の結果が得られた。

関連論文リスト

• Generalization Bounds for Few-Shot Transfer Learning with Pretrained Classifiers [26.844410679685424]
  本研究では,新しいクラスに移動可能な分類の表現を基礎モデルで学習する能力について検討する。 クラス-機能-変数の崩壊の場合,新しいクラスで学習した特徴マップのわずかな誤差が小さいことを示す。
  論文  参考訳（メタデータ） (2022-12-23T18:46:05Z)
• Evidential Deep Learning for Class-Incremental Semantic Segmentation [15.563703446465823]
  クラス増分学習(Class-Incremental Learning)は、以前トレーニングされたニューラルネットワークを新しいクラスに拡張することを目的とした機械学習の課題である。 本稿では、将来的な非相関クラスの特徴クラスタリングを回避しつつ、ラベルのないクラスをモデル化する方法の問題に対処する。 提案手法は,この問題をディリクレ分布の期待値と推定の不確実性に対応する未知のクラス(背景)確率で計算した,別のフォアグラウンドクラス確率に分解する。
  論文  参考訳（メタデータ） (2022-12-06T10:13:30Z)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• Generalized Category Discovery [148.32255950504182]
  本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。 ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。 まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。 次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
  論文  参考訳（メタデータ） (2022-01-07T18:58:35Z)
• Bridging Non Co-occurrence with Unlabeled In-the-wild Data for Incremental Object Detection [56.22467011292147]
  物体検出における破滅的忘れを緩和するために,いくつかの漸進的学習法が提案されている。 有効性にもかかわらず、これらの手法は新規クラスのトレーニングデータにラベルのないベースクラスの共起を必要とする。 そこで本研究では,新たな授業の訓練において,欠落した基本クラスが原因で生じる非発生を補うために,未ラベルのインザ・ザ・ワイルドデータを使用することを提案する。
  論文  参考訳（メタデータ） (2021-10-28T10:57:25Z)
• A Closer Look at Few-Shot Video Classification: A New Baseline and Benchmark [33.86872697028233]
  本研究は,3つのコントリビューションを生かした映像分類の詳細な研究である。 まず,既存のメートル法を一貫した比較研究を行い,表現学習の限界を明らかにする。 第2に,新しいアクションクラスとImageNetオブジェクトクラスとの間には高い相関関係があることが判明した。 第3に,事前学習をせずに将来的な数ショットビデオ分類を容易にするため,より多くのベースデータを持つ新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-10-24T06:01:46Z)
• Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
  Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。 本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:46:41Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)

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。