論文の概要: Active Few-Shot Classification: a New Paradigm for Data-Scarce Learning Settings

• arxiv url: http://arxiv.org/abs/2209.11481v1
• Date: Fri, 23 Sep 2022 08:42:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 17:09:00.842418
• Title: Active Few-Shot Classification: a New Paradigm for Data-Scarce Learning Settings
• Title（参考訳）: アクティブFew-Shot分類:データスカース学習のための新しいパラダイム
• Authors: Aymane Abdali, Vincent Gripon, Lucas Drumetz, Bartosz Boguslawski
• Abstract要約: 能動FewShot分類(AFSC)問題の新しい定式化について考察する。 目的は、ラベル付け予算が非常に制限されたため、最初はラベル付けされていない小さなデータセットを分類することである。 まず,統計的推論と,従来の2段階のアクティブラーニング戦略を組み合わせた方法論を提案する。
• 参考スコア（独自算出の注目度）: 9.216201990315364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider a novel formulation of the problem of Active Few-Shot Classification (AFSC) where the objective is to classify a small, initially unlabeled, dataset given a very restrained labeling budget. This problem can be seen as a rival paradigm to classical Transductive Few-Shot Classification (TFSC), as both these approaches are applicable in similar conditions. We first propose a methodology that combines statistical inference, and an original two-tier active learning strategy that fits well into this framework. We then adapt several standard vision benchmarks from the field of TFSC. Our experiments show the potential benefits of AFSC can be substantial, with gains in average weighted accuracy of up to 10% compared to state-of-the-art TFSC methods for the same labeling budget. We believe this new paradigm could lead to new developments and standards in data-scarce learning settings.
• Abstract（参考訳）: 本稿では,ラベル付け予算が制限された小さなデータセットを分類することを目的とした,AFSC (Active Few-Shot Classification) 問題の新しい定式化について考察する。 この問題は、どちらも同様の条件で適用できるため、古典的トランスダクティブ・フューショット分類(TFSC)と競合するパラダイムと見なすことができる。 まず,統計的推論と,この枠組みに適合する2段階のアクティブラーニング戦略を組み合わせた方法論を提案する。 次に、TFSCの分野からいくつかの標準ビジョンベンチマークを適用します。 実験の結果、afscの潜在的な利点は実質的であり、同じラベリング予算で最先端のtfsc法と比較して、平均重み付け精度が最大10%向上することが示された。 この新しいパラダイムは、データスカース学習環境における新しい開発や標準に繋がる可能性があると考えています。

関連論文リスト

• High-Performance Few-Shot Segmentation with Foundation Models: An Empirical Study [64.06777376676513]
  基礎モデルに基づく数ショットセグメンテーション(FSS)フレームワークを開発した。 具体的には、基礎モデルから暗黙的な知識を抽出し、粗い対応を構築するための簡単なアプローチを提案する。 2つの広く使われているデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-09-10T08:04:11Z)
• Confidence-aware Contrastive Learning for Selective Classification [20.573658672018066]
  この研究は、選択分類のための一般化を提供し、特徴層を最適化することで選択分類の性能を向上させることを開示する。 この理論に触発されて、我々は初めて特徴レベルで選択的分類モデルを明確に改善することを提案し、新たに選択的分類のための信頼を意識したコントラスト学習手法であるCCL-SCを提案する。
  論文  参考訳（メタデータ） (2024-06-07T08:43:53Z)
• Bayesian Learning-driven Prototypical Contrastive Loss for Class-Incremental Learning [42.14439854721613]
  本稿では,クラス増分学習シナリオに特化して,ベイズ学習駆動型コントラスト損失(BLCL)を持つプロトタイプネットワークを提案する。 提案手法は,ベイズ学習手法を用いて,クロスエントロピーとコントラスト損失関数のバランスを動的に適用する。
  論文  参考訳（メタデータ） (2024-05-17T19:49:02Z)
• Adaptive Distribution Calibration for Few-Shot Learning with Hierarchical Optimal Transport [78.9167477093745]
  本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。 標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-09T02:32:57Z)
• Contextual Squeeze-and-Excitation for Efficient Few-Shot Image Classification [57.36281142038042]
  本稿では,事前学習したニューラルネットワークを新しいタスクで調整し,性能を大幅に向上させる,Contextual Squeeze-and-Excitation (CaSE) という適応ブロックを提案する。 また、メタトレーニングされたCaSEブロックと微調整ルーチンを利用して効率よく適応する、アッパーCaSEと呼ばれるコーディネートダイスに基づく新しいトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-06-20T15:25:08Z)
• 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)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• Attention Guided Cosine Margin For Overcoming Class-Imbalance in Few-Shot Road Object Detection [5.821060995749903]
  Few-shot Object Detection (FSOD)は、少数のデータサンプルのみを与えられた画像内のオブジェクトをローカライズし、分類する。 FSOD研究の最近の傾向は、破滅的な忘れ込みや階級混乱につながるメトリックとメタラーニング技術の採用を示している。 我々は、より厳密で適切に分離されたクラス固有の特徴クラスタの作成を容易にするAttention Guided Cosine Margin (AGCM)を紹介します。
  論文  参考訳（メタデータ） (2021-11-12T10:11:56Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)

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。