論文の概要: Kernel Relative-prototype Spectral Filtering for Few-shot Learning

• arxiv url: http://arxiv.org/abs/2207.11685v1
• Date: Sun, 24 Jul 2022 07:53:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 13:23:35.307526
• Title: Kernel Relative-prototype Spectral Filtering for Few-shot Learning
• Title（参考訳）: 少数ショット学習のためのカーネル相対型スペクトルフィルタリング
• Authors: Tao Zhang, Wu Huang
• Abstract要約: 少ないサンプルで分類タスクと回帰タスクを実行する場合はほとんどない。 本稿では,クエリサンプルとプロトタイプの差分を測定するためのスペクトルフィルタリング(収縮)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）: 3.2091741098687696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot learning performs classification tasks and regression tasks on scarce samples. As one of the most representative few-shot learning models, Prototypical Network represents each class as sample average, or a prototype, and measures the similarity of samples and prototypes by Euclidean distance. In this paper, we propose a framework of spectral filtering (shrinkage) for measuring the difference between query samples and prototypes, or namely the relative prototypes, in a reproducing kernel Hilbert space (RKHS). In this framework, we further propose a method utilizing Tikhonov regularization as the filter function for few-shot classification. We conduct several experiments to verify our method utilizing different kernels based on the miniImageNet dataset, tiered-ImageNet dataset and CIFAR-FS dataset. The experimental results show that the proposed model can perform the state-of-the-art. In addition, the experimental results show that the proposed shrinkage method can boost the performance. Source code is available at https://github.com/zhangtao2022/DSFN.
• Abstract（参考訳）: 少数ショット学習は、少ないサンプルで分類タスクと回帰タスクを実行する。 最も代表的な少数ショット学習モデルの1つとして、プロトタイプネットワークは各クラスをサンプル平均またはプロトタイプとして表現し、ユークリッド距離でサンプルとプロトタイプの類似度を測定する。 本稿では,再生成核ヒルベルト空間(rkhs)におけるクエリサンプルとプロトタイプ,すなわち相対プロトタイプ間の差を測定するためのスペクトルフィルタリング(shrinkage)の枠組みを提案する。 そこで本研究では,Tikhonov正則化をフィルタ関数として用いた数ショット分類手法を提案する。 我々は, miniImageNet データセット, tiered-ImageNet データセット, CIFAR-FS データセットに基づいて, 異なるカーネルを用いた検証実験を行った。 実験結果は,提案モデルが最先端の手法を実現できることを示す。 また,提案手法によって性能が向上することを示す実験結果を得た。 ソースコードはhttps://github.com/zhangtao2022/DSFNで入手できる。

関連論文リスト

• Hierarchical Visual Categories Modeling: A Joint Representation Learning and Density Estimation Framework for Out-of-Distribution Detection [28.442470704073767]
  本稿では,分布外データと分布内データとを分離する階層型視覚カテゴリーモデリング手法を提案する。 我々は、CIFAR、iNaturalist、SUN、Places、Textures、ImageNet-O、OpenImage-Oを含む7つの人気のあるベンチマーク実験を行った。 我々の視覚表現は古典的手法で学習した特徴と比較して競争力がある。
  論文  参考訳（メタデータ） (2024-08-28T07:05:46Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• SENet: A Spectral Filtering Approach to Represent Exemplars for Few-shot Learning [5.601374466082551]
  少人数の分類のために,Shrinkage Exemplar Networks (SENet)を提案する。 SENetでは、カテゴリはスペクトルフィルタリングによって平均に向かって縮小するサンプルの埋め込みによって表現される。 個々の収縮サンプルの情報を取得するために広く用いられるクロスエントロピー損失を置き換えるために, 縮退前の損失を提案する。
  論文  参考訳（メタデータ） (2023-05-30T12:12:39Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
  ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。 通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。 そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:53:26Z)
• Generating Representative Samples for Few-Shot Classification [8.62483598990205]
  クラスごとの視覚的なサンプルで新しいカテゴリを学習することを目的としている。 データ不足によってクラス表現がバイアスを受ける場合が少なくない。 条件付き変分オートエンコーダモデルを用いて,意味的埋め込みに基づく視覚サンプルを生成する。
  論文  参考訳（メタデータ） (2022-05-05T20:58:33Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
  まず確率分布をモデル化し,そのモデルからサンプリングする。 これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-10-20T12:25:22Z)
• Ortho-Shot: Low Displacement Rank Regularization with Data Augmentation for Few-Shot Learning [23.465747123791772]
  少数の分類において、第一の目的は、新しいクラスをうまく一般化する表現を学ぶことである。 オルソショット(Ortho-Shot)と呼ばれる効率的な低変位ランク(LDR)正規化戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-18T14:58:36Z)
• Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
  Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
  論文  参考訳（メタデータ） (2020-07-18T09:48:29Z)

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。