論文の概要: PatchMix Augmentation to Identify Causal Features in Few-shot Learning

• arxiv url: http://arxiv.org/abs/2211.16019v1
• Date: Tue, 29 Nov 2022 08:41:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 16:31:20.801266
• Title: PatchMix Augmentation to Identify Causal Features in Few-shot Learning
• Title（参考訳）: 少数ショット学習における因果的特徴の同定のためのpatchmix拡張法
• Authors: Chengming Xu, Chen Liu, Xinwei Sun, Siqian Yang, Yabiao Wang, Chengjie Wang, Yanwei Fu
• Abstract要約: 少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
• 参考スコア（独自算出の注目度）: 55.64873998196191
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The task of Few-shot learning (FSL) aims to transfer the knowledge learned from base categories with sufficient labelled data to novel categories with scarce known information. It is currently an important research question and has great practical values in the real-world applications. Despite extensive previous efforts are made on few-shot learning tasks, we emphasize that most existing methods did not take into account the distributional shift caused by sample selection bias in the FSL scenario. Such a selection bias can induce spurious correlation between the semantic causal features, that are causally and semantically related to the class label, and the other non-causal features. Critically, the former ones should be invariant across changes in distributions, highly related to the classes of interest, and thus well generalizable to novel classes, while the latter ones are not stable to changes in the distribution. To resolve this problem, we propose a novel data augmentation strategy dubbed as PatchMix that can break this spurious dependency by replacing the patch-level information and supervision of the query images with random gallery images from different classes from the query ones. We theoretically show that such an augmentation mechanism, different from existing ones, is able to identify the causal features. To further make these features to be discriminative enough for classification, we propose Correlation-guided Reconstruction (CGR) and Hardness-Aware module for instance discrimination and easier discrimination between similar classes. Moreover, such a framework can be adapted to the unsupervised FSL scenario.
• Abstract（参考訳）: FSL(Few-shot Learning)の課題は、十分なラベル付きデータで学習した知識を、知識の少ない新しいカテゴリに伝達することである。 これは現在、重要な研究課題であり、実世界のアプリケーションにおいて大きな実用的価値を持っている。 FSLシナリオにおけるサンプル選択バイアスによる分布変化を考慮し,既存の手法では考慮しなかったことを強調した。 このような選択バイアスは、クラスラベルに因果的かつ意味的に関係している意味因果的特徴と、他の非因果的特徴との間に急激な相関をもたらす可能性がある。 批判的に、前者は分布の変化にまたがって不変であり、興味のあるクラスと非常に関連しており、したがって新しいクラスに一般化できるが、後者は分布の変化に対して安定ではない。 そこで本研究では,パッチレベルの情報とクエリイメージの監視を,異なるクラスからのランダムなギャラリーイメージに置き換えることで,この急激な依存を解消する,PatchMixと呼ばれる新たなデータ拡張戦略を提案する。 理論的には,このような拡張機構は既存のものと異なり,因果的特徴を識別できることを示す。 さらに、これらの特徴を分類に十分な識別性を持たせるために、類似クラス間の識別を容易にするために相関誘導再構成(CGR)とハードネス・アウェアモジュールを提案する。 さらに、そのようなフレームワークは教師なしのFSLシナリオに適応することができる。

関連論文リスト

• CLOSER: Towards Better Representation Learning for Few-Shot Class-Incremental Learning [52.63674911541416]
  FSCIL(Few-shot class-incremental Learning)は、過剰適合や忘れなど、いくつかの課題に直面している。 FSCILの独特な課題に取り組むため、ベースクラスでの表現学習に重点を置いている。 より制限された機能空間内で機能の拡散を確保することで、学習された表現が、伝達可能性と識別可能性のバランスを良くすることが可能になることが分かりました。
  論文  参考訳（メタデータ） (2024-10-08T02:23:16Z)
• Semantic Enhanced Few-shot Object Detection [37.715912401900745]
  本稿では, セマンティックな埋め込みを利用してより優れた検出を行う, 微調整に基づくFSODフレームワークを提案する。 提案手法は,各新規クラスが類似の基底クラスと混同されることなく,コンパクトな特徴空間を構築することを可能にする。
  論文  参考訳（メタデータ） (2024-06-19T12:40:55Z)
• Enlarging Instance-specific and Class-specific Information for Open-set Action Recognition [47.69171542776917]
  よりリッチなセマンティックな多様性を持つ機能は、同じ不確実性スコアの下で、オープンセットのパフォーマンスを著しく向上させることができる。 よりIS情報を保持するために、インスタンスの分散を同じクラス内に保持するために、新しいPSLフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-03-25T04:07:36Z)
• Few-Shot Object Detection via Variational Feature Aggregation [32.34871873486389]
  本稿では,2つの新しい特徴集約方式を用いたメタラーニングフレームワークを提案する。 まず,クラス非依存アグリゲーション(CAA)手法を提案する。 次に、クラスレベルのサポート機能にサポート例をエンコードする変分特徴集約(VFA)手法を提案する。
  論文  参考訳（メタデータ） (2023-01-31T04:58:21Z)
• Generalization Bounds for Few-Shot Transfer Learning with Pretrained Classifiers [26.844410679685424]
  本研究では,新しいクラスに移動可能な分類の表現を基礎モデルで学習する能力について検討する。 クラス-機能-変数の崩壊の場合,新しいクラスで学習した特徴マップのわずかな誤差が小さいことを示す。
  論文  参考訳（メタデータ） (2022-12-23T18:46:05Z)
• Bi-directional Feature Reconstruction Network for Fine-Grained Few-Shot Image Classification [61.411869453639845]
  クラス間およびクラス内変動を同時に対応できるバイコンストラクション機構を導入する。 この設計は、モデルがより微妙で差別的な特徴を探索するのに役立つ。 広範に使用されている3つのきめ細かな画像分類データセットに対する実験結果は、一貫して大幅に改善されている。
  論文  参考訳（メタデータ） (2022-11-30T16:55:14Z)
• Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
  本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。 提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
  論文  参考訳（メタデータ） (2021-12-14T08:25:24Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
  textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。 広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
  論文  参考訳（メタデータ） (2021-03-30T00:48:28Z)
• Rethinking Generative Zero-Shot Learning: An Ensemble Learning Perspective for Recognising Visual Patches [52.67723703088284]
  我々はMPGAN(Multi-patch Generative Adversarial Nets)と呼ばれる新しいフレームワークを提案する。 MPGANは、新しい重み付き投票戦略で、ローカルパッチ機能とラベルが見えないクラスを合成する。 MPGANは最先端の手法よりもはるかに精度が高い。
  論文  参考訳（メタデータ） (2020-07-27T05:49:44Z)

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。