論文の概要: Class-Difficulty Based Methods for Long-Tailed Visual Recognition
- arxiv url: http://arxiv.org/abs/2207.14499v1
- Date: Fri, 29 Jul 2022 06:33:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 12:13:00.425593
- Title: Class-Difficulty Based Methods for Long-Tailed Visual Recognition
- Title（参考訳）: ロングテール視覚認識のためのクラスディフューティに基づく手法
- Authors: Saptarshi Sinha and Hiroki Ohashi and Katsuyuki Nakamura
- Abstract要約: ロングテールデータセットは、クラスやカテゴリが他のクラスよりも多くのデータサンプルを持つ実際のユースケースで頻繁に発生する。
そこで本研究では,モデルの学習段階における各クラスの瞬時難易度を動的に測定する手法を提案する。
また,各学級の難易度尺度を用いて,学級難易度ベース重み付けと呼ばれる新しい学級難易度ベース重み付け手法と,学級難易度ベースサンプリングと呼ばれる新学級データサンプリング手法を設計する。
- 参考スコア（独自算出の注目度）: 6.875312133832079
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Long-tailed datasets are very frequently encountered in real-world use cases
where few classes or categories (known as majority or head classes) have higher
number of data samples compared to the other classes (known as minority or tail
classes). Training deep neural networks on such datasets gives results biased
towards the head classes. So far, researchers have come up with multiple
weighted loss and data re-sampling techniques in efforts to reduce the bias.
However, most of such techniques assume that the tail classes are always the
most difficult classes to learn and therefore need more weightage or attention.
Here, we argue that the assumption might not always hold true. Therefore, we
propose a novel approach to dynamically measure the instantaneous difficulty of
each class during the training phase of the model. Further, we use the
difficulty measures of each class to design a novel weighted loss technique
called `class-wise difficulty based weighted (CDB-W) loss' and a novel data
sampling technique called `class-wise difficulty based sampling (CDB-S)'. To
verify the wide-scale usability of our CDB methods, we conducted extensive
experiments on multiple tasks such as image classification, object detection,
instance segmentation and video-action classification. Results verified that
CDB-W loss and CDB-S could achieve state-of-the-art results on many
class-imbalanced datasets such as ImageNet-LT, LVIS and EGTEA, that resemble
real-world use cases.
- Abstract（参考訳）: 長い尾のデータセットは、少数のクラスやカテゴリ(多数派クラスやヘッドクラスとして知られる)が他のクラス(マイノリティクラスやテールクラスとして知られる)よりも多くのデータサンプルを持つ現実世界のユースケースで非常に頻繁に発生する。
このようなデータセットでディープニューラルネットワークをトレーニングすると、結果はヘッドクラスに偏っている。
これまで研究者は、バイアスを減らすために複数の重み付き損失とデータ再サンプリング手法を考案してきた。
しかし、このような手法の多くは、尾のクラスは常に学ぶのがもっとも難しいクラスであり、重み付けや注意が必要であると仮定している。
ここでは、仮定が常に成り立つとは限らないと論じる。
そこで本研究では,モデルの学習段階において,各クラスの瞬時難易度を動的に測定する手法を提案する。
さらに,各クラスの難易度基準を用いて,「クラスワイズ難易度に基づく重み付き(CDB-W)損失」と呼ばれる新たな重み付き損失手法と,「クラスワイズ難易度に基づくサンプリング(CDB-S)」と呼ばれる新しいデータサンプリング手法を設計する。
CDB手法の大規模ユーザビリティを検証するため,画像分類,オブジェクト検出,インスタンスセグメンテーション,ビデオアクション分類など複数のタスクについて広範な実験を行った。
その結果、CDB-W損失とCDB-Sは、実世界のユースケースに類似したImageNet-LT、LVIS、EGTEAといった多くのクラス不均衡データセットに対して、最先端の結果が得られることが分かった。
関連論文リスト
- Difficulty-Net: Learning to Predict Difficulty for Long-Tailed
Recognition [5.977483447975081]
メタラーニングフレームワークにおいて,モデルの性能を用いてクラスの難易度を予測することを学習するDifficulty-Netを提案する。
本稿では,相対的難易度と運転者損失という2つの重要な概念を紹介する。
提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2022-09-07T07:04:08Z) - CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep
Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。
サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。
本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文 参考訳（メタデータ） (2022-02-11T13:49:51Z) - Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。
尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。
そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
論文 参考訳（メタデータ） (2022-01-08T07:48:36Z) - CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。
我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文 参考訳（メタデータ） (2021-10-29T18:41:15Z) - 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) - Distributional Robustness Loss for Long-tail Learning [20.800627115140465]
現実世界のデータはしばしばアンバランスで長尾ですが、深いモデルは頻繁なクラスの存在下でまれなクラスを認識するのに苦労します。
ディープネットワークの特徴抽出器部分は,このバイアスに大きく悩まされていることを示す。
モデルが頭と尾の両方のクラスで高品質の表現を学ぶことを奨励するロバストネス理論に基づく新しい損失を提案します。
論文 参考訳（メタデータ） (2021-04-07T11:34:04Z) - Theoretical Insights Into Multiclass Classification: A High-dimensional
Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。
分析の結果,分類精度は分布に依存していることがわかった。
得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文 参考訳（メタデータ） (2020-11-16T05:17:29Z) - Class-Wise Difficulty-Balanced Loss for Solving Class-Imbalance [6.875312133832079]
そこで本研究では,クラスワイド・バランサード・ロスと呼ばれる新しい損失関数を提案する。
サンプルが属するクラスの難易度に応じて、各サンプルに動的に重みを分配する。
その結果、CDB損失はクラス不均衡データセットにおける最近提案された損失関数よりも一貫して優れていた。
論文 参考訳（メタデータ） (2020-10-05T07:19:19Z) - The Devil is the Classifier: Investigating Long Tail Relation
Classification with Decoupling Analysis [36.298869931803836]
ロングテール関係分類は、ヘッドクラスがトレーニングフェーズを支配しているため、難しい問題である。
そこで本研究では,関係を自動的に集約することで,ソフトウェイトを割り当てる,注意関係ルーティング付きロバストな分類器を提案する。
論文 参考訳（メタデータ） (2020-09-15T12:47:00Z) - The Devil is in Classification: A Simple Framework for Long-tail Object
Detection and Instance Segmentation [93.17367076148348]
本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。
主な原因は、オブジェクト提案の不正確な分類である。
そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-23T12:49:07Z)
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。