論文の概要: A Task-aware Dual Similarity Network for Fine-grained Few-shot Learning
- arxiv url: http://arxiv.org/abs/2210.12348v1
- Date: Sat, 22 Oct 2022 04:24:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 17:09:33.639246
- Title: A Task-aware Dual Similarity Network for Fine-grained Few-shot Learning
- Title(参考訳): ファウショット学習のためのタスク対応デュアル類似性ネットワーク
- Authors: Yan Qi, Han Sun, Ningzhong Liu, Huiyu Zhou
- Abstract要約: TDSNet(Task-aware Dual similarity Network)は,グローバルな不変機能と識別的局所的詳細を探索する手法である。
TDSNetは、他の最先端アルゴリズムと比較することで、競争性能を達成する。
- 参考スコア(独自算出の注目度): 19.90385022248391
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The goal of fine-grained few-shot learning is to recognize sub-categories
under the same super-category by learning few labeled samples. Most of the
recent approaches adopt a single similarity measure, that is, global or local
measure alone. However, for fine-grained images with high intra-class variance
and low inter-class variance, exploring global invariant features and
discriminative local details is quite essential. In this paper, we propose a
Task-aware Dual Similarity Network(TDSNet), which applies global features and
local patches to achieve better performance. Specifically, a local feature
enhancement module is adopted to activate the features with strong
discriminability. Besides, task-aware attention exploits the important patches
among the entire task. Finally, both the class prototypes obtained by global
features and discriminative local patches are employed for prediction.
Extensive experiments on three fine-grained datasets demonstrate that the
proposed TDSNet achieves competitive performance by comparing with other
state-of-the-art algorithms.
- Abstract(参考訳): きめ細かい最小ショット学習の目標は、ラベル付きサンプルを学習することで、同じスーパーカテゴリのサブカテゴリを認識することである。
最近のアプローチのほとんどは、グローバルまたはローカルな測定だけで、単一の類似度尺度を採用する。
しかし、クラス内ばらつきとクラス間ばらつきの低いきめ細かい画像の場合、大域的不変性や識別的局所的詳細を探索することが極めて重要である。
本稿では,グローバル機能と局所パッチを適用し,より優れた性能を実現するタスクアウェアデュアル類似性ネットワーク(tdsnet)を提案する。
具体的には、強い識別性を持つ特徴を活性化するために、局所的な特徴拡張モジュールが採用されている。
さらに、タスク認識の注意はタスク全体の重要なパッチを利用する。
最後に,グローバル特徴によって得られたクラスプロトタイプと識別的局所パッチの両方を用いて予測を行う。
3つの詳細なデータセットに対する大規模な実験は、提案したTDSNetが、他の最先端アルゴリズムと比較することで、競争性能を達成することを示した。
関連論文リスト
- Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。
既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
論文 参考訳(メタデータ) (2024-11-06T11:03:02Z) - Siamese Transformer Networks for Few-shot Image Classification [9.55588609556447]
人間は視覚分類タスクにおいて顕著な熟練度を示し、最小限の例で新しい画像を正確に認識し分類する。
既存の少数の画像分類手法は、大域的特徴と局所的特徴の両方を強調し、両者を統合することを考える研究はほとんどない。
我々は,シームズ変圧器ネットワーク(STN)に基づく新しいアプローチを提案する。
我々の戦略は, 複雑な特徴適応モジュールの必要性を回避し, 画像分類におけるグローバルな特徴と局所的な特徴の可能性を効果的に活用する。
論文 参考訳(メタデータ) (2024-07-16T14:27:23Z) - Relevant Intrinsic Feature Enhancement Network for Few-Shot Semantic
Segmentation [34.257289290796315]
本稿では,フォアグラウンドインスタンスのセマンティック一貫性を改善するために,RiFeNet(Relevant Intrinsic Feature Enhancement Network)を提案する。
RiFeNetはPASCAL-5iとCOCOベンチマークの最先端メソッドを上回っている。
論文 参考訳(メタデータ) (2023-12-11T16:02:57Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2023-09-01T11:15:50Z) - Adaptive Prototypical Networks with Label Words and Joint Representation
Learning for Few-Shot Relation Classification [17.237331828747006]
本研究は,少ショット関係分類(FSRC)に焦点を当てる。
クラスプロトタイプの表現にラベル単語を追加するための適応的混合機構を提案する。
FewRelでは、異なる数ショット(FS)設定で実験が行われた。
論文 参考訳(メタデータ) (2021-01-10T11:25:42Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳(メタデータ) (2020-09-08T07:29:05Z) - ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image
Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。
本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。
4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文 参考訳(メタデータ) (2020-06-27T13:50:20Z) - LFD-ProtoNet: Prototypical Network Based on Local Fisher Discriminant
Analysis for Few-shot Learning [98.64231310584614]
Prototypeal Network (ProtoNet) は、各クラスのプロトタイプ表現までの距離を用いてメートル法学習と分類を行う、数発の学習フレームワークである。
提案手法の有用性は,理論上は予測されるリスクバウンドを提供し,MiniImageNetとタイレッドImageNetに優れた分類精度を実証的に示すことによって示される。
論文 参考訳(メタデータ) (2020-06-15T11:56:30Z) - Fine-Grained Visual Classification with Efficient End-to-end
Localization [49.9887676289364]
本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。
我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
論文 参考訳(メタデータ) (2020-05-11T14:07:06Z) - Weakly-supervised Object Localization for Few-shot Learning and
Fine-grained Few-shot Learning [0.5156484100374058]
少数のサンプルから新しい視覚カテゴリーを学習することを目的としている。
本稿では,自己認識型補完モジュール(SACモジュール)を提案する。
また,数発の分類のために,識別的深層記述子を選択するためのアクティブマスクも生成する。
論文 参考訳(メタデータ) (2020-03-02T14:07:05Z)
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。