論文の概要: Offline Handwritten Amharic Character Recognition Using Few-shot
Learning
- arxiv url: http://arxiv.org/abs/2210.00275v1
- Date: Sat, 1 Oct 2022 13:16:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 15:24:41.387542
- Title: Offline Handwritten Amharic Character Recognition Using Few-shot
Learning
- Title（参考訳）: Few-shot Learning を用いたオフライン手書き文字認識
- Authors: Mesay Samuel, Lars Schmidt-Thieme, DP Sharma, Abiot Sinamo, Abey Bruck
- Abstract要約: 少数ショット学習を用いたオフライン手書きアンハリック文字認識に対処する。
行と列の類似性を持つアムハラ文字の性質を探求する機会を利用することで、トレーニングエピソードを増強する新たな方法が提案されている。
- 参考スコア（独自算出の注目度）: 4.243592852049962
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-shot learning is an important, but challenging problem of machine
learning aimed at learning from only fewer labeled training examples. It has
become an active area of research due to deep learning requiring huge amounts
of labeled dataset, which is not feasible in the real world. Learning from a
few examples is also an important attempt towards learning like humans.
Few-shot learning has proven a very good promise in different areas of machine
learning applications, particularly in image classification. As it is a recent
technique, most researchers focus on understanding and solving the issues
related to its concept by focusing only on common image datasets like
Mini-ImageNet and Omniglot. Few-shot learning also opens an opportunity to
address low resource languages like Amharic. In this study, offline handwritten
Amharic character recognition using few-shot learning is addressed.
Particularly, prototypical networks, the popular and simpler type of few-shot
learning, is implemented as a baseline. Using the opportunities explored in the
nature of Amharic alphabet having row-wise and column-wise similarities, a
novel way of augmenting the training episodes is proposed. The experimental
results show that the proposed method outperformed the baseline method. This
study has implemented few-shot learning for Amharic characters for the first
time. More importantly, the findings of the study open new ways of examining
the influence of training episodes in few-shot learning, which is one of the
important issues that needs exploration. The datasets used for this study are
collected from native Amharic language writers using an Android App developed
as a part of this study.
- Abstract（参考訳）: 少ないラベル付きトレーニング例から学ぶことを目的とした機械学習は、重要な問題だが難しい問題だ。
大量のラベル付きデータセットを必要とするディープラーニングによって、現実世界では実現不可能な研究の活発な領域となっている。
いくつか例から学ぶことは、人間のように学ぶための重要な試みでもある。
機械学習のさまざまな分野で、特に画像分類において、あまり良い約束をしていない。
最近の技術であるため、ほとんどの研究者はmini-imagenetやomniglotといった一般的な画像データセットのみに焦点を当てて、その概念に関する理解と解決に焦点を当てている。
少数ショット学習は、amharicのような低リソース言語に対処する機会も開ける。
本研究では,少数ショット学習を用いたオフライン手書き文字認識について述べる。
特に,プロトタイプラーニングネットワークは,一般的でシンプルな数発学習方式であり,ベースラインとして実装されている。
行と列の類似性を持つアムハラ文字の性質を探求する機会を利用することで、トレーニングエピソードを増強する新たな方法が提案されている。
実験の結果,提案手法はベースライン法よりも優れていた。
本研究は,アンハリック文字に対する数発の学習を初めて実施した。
さらに重要なことは、この研究の結果が、数発の学習におけるトレーニングエピソードの影響を調べる新しい方法を開くことだ。
この研究で使用されるデータセットは、この研究の一部として開発されたAndroidアプリを使用して、ネイティブなアムハラ語ライターから収集される。
関連論文リスト
- Less is More: A Closer Look at Semantic-based Few-Shot Learning [11.724194320966959]
Few-shot Learningは、利用可能な画像の数が非常に限られている新しいカテゴリを学習し、区別することを目的としている。
本稿では,テキスト情報と言語モデルを活用することを目的とした,数ショットの学習タスクのための,シンプルだが効果的なフレームワークを提案する。
広範に使われている4つのショットデータセットで実施した実験は、我々の単純なフレームワークが印象的な結果をもたらすことを示した。
論文 参考訳（メタデータ） (2024-01-10T08:56:02Z) - Mixture of Self-Supervised Learning [2.191505742658975]
自己教師型学習は、特定のタスクに適用される前にモデル上でトレーニングされるプレテキストタスクを使用することで機能する。
従来の研究では、プリテキストタスクとして1つのタイプの変換しか使用されていなかった。
これにより、複数のプリテキストタスクが使用されているかどうか、すべてのプリテキストタスクを組み合わせるためにゲーティングネットワークを使用するかどうか、という疑問が持ち上がる。
論文 参考訳（メタデータ） (2023-07-27T14:38:32Z) - Towards Open Vocabulary Learning: A Survey [146.90188069113213]
ディープニューラルネットワークは,セグメンテーションやトラッキング,検出といった,さまざまなコアタスクにおいて,目覚ましい進歩を遂げている。
近年、視覚言語事前学習の急速な進歩により、オープンな語彙設定が提案されている。
本稿では,その分野における最近の発展を要約し分析し,オープンな語彙学習の徹底的なレビューを行う。
論文 参考訳（メタデータ） (2023-06-28T02:33:06Z) - Brief Introduction to Contrastive Learning Pretext Tasks for Visual
Representation [0.0]
教師なし学習手法のサブセットであるコントラスト学習を導入する。
対照的な学習の目的は、互いに近くにある同じサンプルから強化されたサンプルを埋め込んで、そうでないサンプルを押し下げることである。
我々は、最近公開されたコントラスト学習の戦略をいくつか提示し、視覚表現のためのプレテキストタスクに焦点を当てている。
論文 参考訳（メタデータ） (2022-10-06T18:54:10Z) - Self-Supervised Speech Representation Learning: A Review [105.1545308184483]
自己教師付き表現学習法は、幅広いタスクやドメインに利益をもたらす単一の普遍的モデルを約束する。
音声表現学習は、生成的、コントラスト的、予測的という3つの主要なカテゴリで同様の進歩を経験している。
本稿では,自己指導型音声表現学習のアプローチと,他の研究領域との関係について述べる。
論文 参考訳（メタデータ） (2022-05-21T16:52:57Z) - Unified Contrastive Learning in Image-Text-Label Space [130.31947133453406]
Unified Contrastive Learning (UniCL)は、意味的に豊かだが差別的な表現を学習する効果的な方法である。
UniCLスタンドアローンは、3つの画像分類データセットにまたがる教師あり学習手法に対抗して、純粋な画像ラベルデータに関する優れた学習者である。
論文 参考訳（メタデータ） (2022-04-07T17:34:51Z) - Learning from Few Examples: A Summary of Approaches to Few-Shot Learning [3.6930948691311016]
Few-Shot Learningは、いくつかのトレーニングサンプルからデータの基本パターンを学習する問題を指す。
ディープラーニングソリューションは、データ飢餓と、膨大な計算時間とリソースに悩まされている。
機械学習アプリケーション構築のターンアラウンド時間を劇的に短縮できるようなショットラーニングは、低コストのソリューションとして現れます。
論文 参考訳（メタデータ） (2022-03-07T23:15:21Z) - Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。
数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。
そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
論文 参考訳（メタデータ） (2022-01-07T02:46:35Z) - LibFewShot: A Comprehensive Library for Few-shot Learning [78.58842209282724]
近年,画像分類に注目が集まり,近年顕著な進歩が見られた。
近年の研究では、データ強化、事前学習、知識蒸留、自己超越といった多くの一般的な手法や技法が、数発の学習法の性能を大幅に向上させる可能性があることが暗黙的に示されている。
そこで本研究では,PyTorchに固有の単一言語を組み込んだ一貫したフレームワークにおいて,17の最先端の複数ショット学習手法を再実装することにより,小ショット学習のための総合ライブラリ(LibFewShot)を提案する。
論文 参考訳（メタデータ） (2021-09-10T14:12:37Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-05T14:15:49Z) - An Overview of Deep Learning Architectures in Few-Shot Learning Domain [0.0]
Few-Shot Learning(ワンショットラーニング、Few-Shot Learning)は、機械学習のサブフィールドであり、少ないデータで望ましい目的を学習できるモデルを作成することを目的としている。
我々は、いくつかのショットラーニングに対するよく知られたディープラーニングベースのアプローチをレビューした。
論文 参考訳（メタデータ） (2020-08-12T06:58:45Z)
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。