Fugu-MT 論文翻訳(概要): Self Meta Pseudo Labels: Meta Pseudo Labels Without The Teacher

論文の概要: Self Meta Pseudo Labels: Meta Pseudo Labels Without The Teacher

arxiv url: http://arxiv.org/abs/2212.13420v1
Date: Tue, 27 Dec 2022 09:29:00 GMT
ステータス: 処理完了
システム内更新日: 2022-12-29 14:34:33.858356
Title: Self Meta Pseudo Labels: Meta Pseudo Labels Without The Teacher
Title（参考訳）: 自己メタ擬似ラベル:教師のいないメタ擬似ラベル
Authors: Kei-Sing Ng, Qingchen Wang
Abstract要約: 擬似ラベルと分類の両方を生成するために単一のモデルを使用する新しい方法を提案する。本手法は,メモリ使用量を大幅に削減しつつ,Meta Pseudo Labels法に類似した性能を実現する。
参考スコア（独自算出の注目度）: 2.741266294612776
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present Self Meta Pseudo Labels, a novel semi-supervised learning method similar to Meta Pseudo Labels but without the teacher model. We introduce a novel way to use a single model for both generating pseudo labels and classification, allowing us to store only one model in memory instead of two. Our method attains similar performance to the Meta Pseudo Labels method while drastically reducing memory usage.
Abstract（参考訳）: 自己メタ擬似ラベル(Self Meta Pseudo Labels)は,メタ擬似ラベルに似た新しい半教師付き学習法である。擬似ラベルの生成と分類の両方に単一モデルを使用する新しい方法を導入し、2つのモデルではなく1つのモデルのみをメモリに格納する。メモリ使用量を大幅に削減しつつ,Meta Pseudo Labels法に類似した性能を実現する。

関連論文リスト

Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
論文参考訳（メタデータ） (2024-07-26T09:33:53Z)
Segment Anything Model (SAM) Enhanced Pseudo Labels for Weakly Supervised Semantic Segmentation [30.812323329239614]
弱教師付きセマンティックセマンティックセグメンテーション(WSSS)は、画像レベルのアノテーションのみを使用することで、精細なピクセルレベルのアノテーションの必要性を回避することを目的としている。既存のほとんどのメソッドは、ピクセルレベルの擬似ラベルを導出するためにクラスアクティベーションマップ(CAM)に依存している。オブジェクト,部品,サブパートのきめ細かいインスタンスマスクを生成できるクラスに依存しない基礎モデルであるSegment Anything Model (SAM) を利用した,シンプルで効果的な手法を提案する。
論文参考訳（メタデータ） (2023-05-09T23:24:09Z)
Learning from Label Proportion with Online Pseudo-Label Decision by Regret Minimization [14.318471874603212]
本稿では,後悔最小化を伴うオンライン擬似ラベル法に基づくLLP(Learning from Label Proportions)手法を提案する。従来のLPP法とは対照的に,バッグサイズが大きくても効果的に機能する。
論文参考訳（メタデータ） (2023-02-17T15:30:13Z)
Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification [84.72303377833732]
教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
論文参考訳（メタデータ） (2021-06-11T02:42:42Z)
SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
論文参考訳（メタデータ） (2020-11-20T08:26:10Z)
Semi-supervised Relation Extraction via Incremental Meta Self-Training [56.633441255756075]
半教師付き関係抽出法は,限られたサンプルからの学習に加え,ラベルのないデータを活用することを目的としている。既存の自己学習手法は段階的なドリフト問題に悩まされ、未ラベルデータにノイズのある擬似ラベルが組み込まれている。本稿では,リレーショナルラベル生成ネットワークが,メタオブジェクトとしてリレーショナル分類ネットワークを成功・失敗に導くことによって,擬似ラベルの品質評価を生成するメタSREという手法を提案する。
論文参考訳（メタデータ） (2020-10-06T03:54:11Z)
Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
論文参考訳（メタデータ） (2020-04-20T12:13:43Z)
Meta Pseudo Labels [101.96063913077872]
ImageNet上で90.2%の新しい最先端トップ1精度を実現する半教師付き学習手法であるMeta Pseudo Labelsを提案する。教師が固定されたPseudo Labelsとは異なり、Meta Pseudo Labelsの教師は、ラベル付きデータセット上での生徒のパフォーマンスのフィードバックによって常に適応される。
論文参考訳（メタデータ） (2020-03-23T23:41:57Z)

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。