論文の概要: Few-shot Metric Learning: Online Adaptation of Embedding for Retrieval

• arxiv url: http://arxiv.org/abs/2211.07116v1
• Date: Mon, 14 Nov 2022 05:10:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 18:35:09.856688
• Title: Few-shot Metric Learning: Online Adaptation of Embedding for Retrieval
• Title（参考訳）: few-shot metric learning: 検索のための埋め込みのオンライン適応
• Authors: Deunsol Jung, Dahyun Kang, Suha Kwak, and Minsu Cho
• Abstract要約: メトリック学習は、典型的には、類似した物体を近くの点にマッピングする効果的な埋め込み関数を学習することによって距離メトリックを構築することを目的としている。 近年のディープ・メトリック・ラーニングの進歩にもかかわらず、学習されたメートル法が大きな領域ギャップを持つ未確認のクラスに一般化することは依然として困難である。 本稿では,少数の注釈付きデータのみを用いて,組込み関数を対象領域に適応させることを目的とした,数ショットメトリック学習の新たな課題を提案する。
• 参考スコア（独自算出の注目度）: 37.601607544184915
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Metric learning aims to build a distance metric typically by learning an effective embedding function that maps similar objects into nearby points in its embedding space. Despite recent advances in deep metric learning, it remains challenging for the learned metric to generalize to unseen classes with a substantial domain gap. To tackle the issue, we explore a new problem of few-shot metric learning that aims to adapt the embedding function to the target domain with only a few annotated data. We introduce three few-shot metric learning baselines and propose the Channel-Rectifier Meta-Learning (CRML), which effectively adapts the metric space online by adjusting channels of intermediate layers. Experimental analyses on miniImageNet, CUB-200-2011, MPII, as well as a new dataset, miniDeepFashion, demonstrate that our method consistently improves the learned metric by adapting it to target classes and achieves a greater gain in image retrieval when the domain gap from the source classes is larger.
• Abstract（参考訳）: メトリック学習は、類似のオブジェクトをその埋め込み空間内の近傍の点にマップする効果的な埋め込み関数を学習することによって、一般的に距離メトリックを構築することを目的としている。 近年のディープ・メトリック・ラーニングの進歩にもかかわらず、学習されたメートル法が大きな領域ギャップを持つ未確認クラスに一般化することは依然として困難である。 この問題に取り組むため,いくつかの注釈付きデータのみを用いて,埋め込み関数を対象領域に適応させることを目的とした,マイナショットメトリック学習の新たな問題を検討する。 本稿では,中間層のチャネルを調整することで,メトリック空間をオンラインで効果的に適応する,Channel-Rectifier Meta-Learning (CRML)を提案する。 miniImageNet, CUB-200-2011, MPII, および新しいデータセットである miniDeepFashion の実験的解析により, 対象クラスに適応することで学習基準を継続的に改善し, ソースクラスとのドメインギャップが大きくなると画像検索の精度が向上することを示した。

関連論文リスト

• SuSana Distancia is all you need: Enforcing class separability in metric learning via two novel distance-based loss functions for few-shot image classification [0.9236074230806579]
  本稿では,少数のデータ間のクラス内距離とクラス間距離を調べることで,埋め込みベクトルの重要性を考慮に入れた2つの損失関数を提案する。 以上の結果から,miniImagenNetベンチマークの精度は,他のメトリクスベースの数ショット学習手法に比べて2%向上した。
  論文  参考訳（メタデータ） (2023-05-15T23:12:09Z)
• On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
  ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。 提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
  論文  参考訳（メタデータ） (2022-03-08T09:57:48Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Finding Significant Features for Few-Shot Learning using Dimensionality Reduction [0.0]
  このモジュールは、計量学習法により与えられる類似度関数を、分類のためのより識別的な特徴を持つようにすることで、精度の向上を支援する。 提案手法は,MiniImageNetデータセットにおけるメトリック学習ベースラインの精度を約2%向上させる。
  論文  参考訳（メタデータ） (2021-07-06T16:36:57Z)
• Self-Supervised Metric Learning in Multi-View Data: A Downstream Task Perspective [2.01243755755303]
  マルチビューデータの文脈において,自己教師付きメトリック学習が下流タスクにどのような効果をもたらすかを検討する。 本稿では, 下流タスクにおいて, 目標距離がいくつかの望ましい特性を満たすことを示す。 本分析では,4つの下流タスクにおいて,自己教師付きメトリック学習による改善を特徴付ける。
  論文  参考訳（メタデータ） (2021-06-14T02:34:33Z)
• Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification [59.326456778057384]
  本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。 また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。 実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2020-12-01T11:38:16Z)
• Incremental Object Detection via Meta-Learning [77.55310507917012]
  本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。 既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
  論文  参考訳（メタデータ） (2020-03-17T13:40:00Z)
• Variational Metric Scaling for Metric-Based Meta-Learning [37.392840869320686]
  我々は,計量に基づくメタラーニングを原型的観点から再放送し,変分的メートル法スケーリングフレームワークを開発する。 提案手法は,事前学習のないエンドツーエンドであり,既存のメートル法に基づくメタアルゴリズムのためのシンプルなプラグイン・アンド・プレイモジュールとして使用できる。
  論文  参考訳（メタデータ） (2019-12-26T09:00:36Z)
• A Multilayer Framework for Online Metric Learning [71.31889711244739]
  本稿では,インスタンス間の非線形類似性を捉えるために,オンラインメトリック学習のための多層フレームワークを提案する。 マハラノビスをベースとした新しいオンラインメトリックラーニング(MOML)アルゴリズムは、受動攻撃戦略とワンパス三重項構築戦略に基づいて提案される。 提案したMLOMLは、いくつかの優れた特性を享受し、実際にメトリクスを漸進的に学習し、ベンチマークデータセットでより良いパフォーマンスを発揮する。
  論文  参考訳（メタデータ） (2018-05-15T01:10:18Z)

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。