Fugu-MT 論文翻訳(概要): Bi-directional Feature Reconstruction Network for Fine-Grained Few-Shot Image Classification

論文の概要: Bi-directional Feature Reconstruction Network for Fine-Grained Few-Shot Image Classification

arxiv url: http://arxiv.org/abs/2211.17161v1
Date: Wed, 30 Nov 2022 16:55:14 GMT
ステータス: 処理完了
システム内更新日: 2022-12-01 17:24:48.326802
Title: Bi-directional Feature Reconstruction Network for Fine-Grained Few-Shot Image Classification
Title（参考訳）: ファイングラインドフルショット画像分類のための双方向特徴再構成ネットワーク
Authors: Jijie Wu, Dongliang Chang, Aneeshan Sain, Xiaoxu Li, Zhanyu Ma, Jie Cao, Jun Guo, Yi-Zhe Song
Abstract要約: 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。
参考スコア（独自算出の注目度）: 61.411869453639845
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The main challenge for fine-grained few-shot image classification is to learn feature representations with higher inter-class and lower intra-class variations, with a mere few labelled samples. Conventional few-shot learning methods however cannot be naively adopted for this fine-grained setting -- a quick pilot study reveals that they in fact push for the opposite (i.e., lower inter-class variations and higher intra-class variations). To alleviate this problem, prior works predominately use a support set to reconstruct the query image and then utilize metric learning to determine its category. Upon careful inspection, we further reveal that such unidirectional reconstruction methods only help to increase inter-class variations and are not effective in tackling intra-class variations. In this paper, we for the first time introduce a bi-reconstruction mechanism that can simultaneously accommodate for inter-class and intra-class variations. In addition to using the support set to reconstruct the query set for increasing inter-class variations, we further use the query set to reconstruct the support set for reducing intra-class variations. This design effectively helps the model to explore more subtle and discriminative features which is key for the fine-grained problem in hand. Furthermore, we also construct a self-reconstruction module to work alongside the bi-directional module to make the features even more discriminative. Experimental results on three widely used fine-grained image classification datasets consistently show considerable improvements compared with other methods. Codes are available at: https://github.com/PRIS-CV/Bi-FRN.
Abstract（参考訳）: 微粒な小ショット画像分類の最大の課題は、少数のラベル付きサンプルを用いて、クラス間およびクラス内変化の低い特徴表現を学習することである。しかし、従来の数発の学習方法は、このきめ細かい設定には自然に適用できない -- 素早いパイロットスタディでは、実際には反対(クラス間の変動が低く、クラス内の変化も高い)を推し進めていることが明らかになっている。この問題を軽減するため、先行研究では、クエリイメージの再構築にサポートセットを優先的に使用し、その後、メトリック学習を使用してカテゴリを決定する。注意深い検査を行った結果,この一方向再構成手法はクラス間変異の増加にのみ有効であり,クラス内変異に取り組むには有効ではないことが明らかとなった。本稿では,クラス間およびクラス内変動を同時に許容するbi-restruction機構を初めて紹介する。クラス間変動の増加のためにクエリセットを再構築するサポートセットに加えて、クエリセットを使用してクラス内変動を減らすためのサポートセットを再構築する。この設計は、モデルが目の前のきめ細かい問題の鍵となる、より微妙で識別的な特徴を調べるのに効果的です。さらに,双方向モジュールと並行して機能をさらに識別するための自己再構築モジュールも構築した。広範に使用される3つの細粒画像分類データセットの実験結果は、他の方法と比較して一貫して大幅に改善されている。コードはhttps://github.com/PRIS-CV/Bi-FRN.comで入手できる。

関連論文リスト

PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
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。
論文参考訳（メタデータ） (2022-11-29T08:41:29Z)
CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification [11.894289991529496]
少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
論文参考訳（メタデータ） (2022-03-25T06:14:51Z)
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)
AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文参考訳（メタデータ） (2022-02-18T10:14:45Z)
Dual Path Structural Contrastive Embeddings for Learning Novel Objects [6.979491536753043]
近年の研究では、優れた特徴空間の情報を取得することが、少数のタスクにおいて良好なパフォーマンスを達成するための効果的な解決法であることが示されている。特徴表現と分類器を学習するタスクを分離する,単純だが効果的なパラダイムを提案する。提案手法は, インダクティブ推論とトランスダクティブ推論のいずれにおいても, 標準および一般化された少数ショット問題に対して有望な結果が得られる。
論文参考訳（メタデータ） (2021-12-23T04:43:31Z)
Few-shot learning with improved local representations via bias rectify module [13.230636224045137]
本稿では,特徴表現の構造に存在する空間情報を完全に活用するために,DBRN(Deep Bias Rectify Network)を提案する。バイアス修正モジュールは、異なる重みを付与することによって、分類においてより差別的な特徴に焦点を合わせることができる。トレーニングデータを完全に活用するために,我々は,サポートセットから生成されたプロトタイプをより代表的なものにするためのプロトタイプ拡張機構を設計する。
論文参考訳（メタデータ） (2021-11-01T08:08:00Z)
Ortho-Shot: Low Displacement Rank Regularization with Data Augmentation for Few-Shot Learning [23.465747123791772]
少数の分類において、第一の目的は、新しいクラスをうまく一般化する表現を学ぶことである。オルソショット(Ortho-Shot)と呼ばれる効率的な低変位ランク(LDR)正規化戦略を提案する。
論文参考訳（メタデータ） (2021-10-18T14:58:36Z)
A Little Robustness Goes a Long Way: Leveraging Universal Features for Targeted Transfer Attacks [4.511923587827301]
我々は、ソース分類器を「わずかに堅牢」に訓練することで、標的攻撃の転送可能性を大幅に向上させることを示した。この結果は非逆仮説を支持すると我々は主張する。
論文参考訳（メタデータ） (2021-06-03T19:53:46Z)
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)
Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
論文参考訳（メタデータ） (2020-10-07T08:44:21Z)

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。