論文の概要: Meta-Album: Multi-domain Meta-Dataset for Few-Shot Image Classification
- arxiv url: http://arxiv.org/abs/2302.08909v1
- Date: Thu, 16 Feb 2023 11:07:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-20 14:36:16.500116
- Title: Meta-Album: Multi-domain Meta-Dataset for Few-Shot Image Classification
- Title（参考訳）: meta-album: 少数ショット画像分類のためのマルチドメインメタデータセット
- Authors: Ihsan Ullah (LISN), Dustin Carri\'on-Ojeda (LISN), Sergio Escalera
(UB), Isabelle Guyon (LISN), Mike Huisman (LIACS), Felix Mohr, Jan N van Rijn
(LIACS), Haozhe Sun (LISN), Joaquin Vanschoren (TU/e), Phan Anh Vu (LISN)
- Abstract要約: Meta-Album(メタアルバム)は、画像分類メタデータセットである。
40のオープンデータセットが含まれており、それぞれが少なくとも20のクラスを持ち、クラス毎に40のサンプルがあり、検証されたライセンスがある。
すべてのデータセットはプリプロセスされ、アノテートされ、一様にフォーマットされ、3つのバージョン(Micro $subset$ Mini $subset$ Extended)でユーザの計算リソースにマッチする。
- 参考スコア（独自算出の注目度）: 4.5202442856868625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Meta-Album, an image classification meta-dataset designed to
facilitate few-shot learning, transfer learning, meta-learning, among other
tasks. It includes 40 open datasets, each having at least 20 classes with 40
examples per class, with verified licences. They stem from diverse domains,
such as ecology (fauna and flora), manufacturing (textures, vehicles), human
actions, and optical character recognition, featuring various image scales
(microscopic, human scales, remote sensing). All datasets are preprocessed,
annotated, and formatted uniformly, and come in 3 versions (Micro $\subset$
Mini $\subset$ Extended) to match users' computational resources. We showcase
the utility of the first 30 datasets on few-shot learning problems. The other
10 will be released shortly after. Meta-Album is already more diverse and
larger (in number of datasets) than similar efforts, and we are committed to
keep enlarging it via a series of competitions. As competitions terminate,
their test data are released, thus creating a rolling benchmark, available
through OpenML.org. Our website https://meta-album.github.io/ contains the
source code of challenge winning methods, baseline methods, data loaders, and
instructions for contributing either new datasets or algorithms to our
expandable meta-dataset.
- Abstract（参考訳）: 画像分類のためのメタデータセットであるmeta-albumを提案する。
40のオープンデータセットがあり、それぞれが少なくとも20のクラスを持ち、クラス毎に40のサンプルを持ち、検証されたライセンスを持っている。
これらは、生態学(動物相や植物相)、製造(テクスチャ、車両)、人間の行動、光学的文字認識などの様々な領域から来ており、様々な画像スケール(顕微鏡、人体スケール、リモートセンシング)が特徴である。
すべてのデータセットはプリプロセスされ、アノテートされ、一様にフォーマットされ、3つのバージョン(Micro $\subset$ Mini $\subset$ Extended)でユーザの計算リソースにマッチする。
少人数学習問題に対する最初の30データセットの有用性について紹介する。
残り10は間もなくリリースされる予定だ。
meta-albumは、同様の取り組みよりもすでに多様で(データセットの数では)大きなものです。
競争が終わるとテストデータがリリースされ、OpenML.orgで利用可能なローリングベンチマークが作成される。
私たちのウェブサイト https://meta-album.github.io/ には、チャレンジ勝利メソッド、ベースラインメソッド、データローダ、新しいデータセットまたはアルゴリズムを拡張可能なメタデータにコントリビュートするためのインストラクションのソースコードが含まれています。
関連論文リスト
- Meta-Optimization for Higher Model Generalizability in Single-Image
Depth Prediction [19.469860191876876]
我々は、勾配に基づくメタラーニングを活用し、ゼロショットのクロスデータセット推論における高い一般化性を実現する。
メタラーニングにおける最も研究されている画像分類とは異なり、深度はピクセルレベルの連続範囲値である。
メタ最適化において,各RGB-Dペアをタスクとして扱う,きめ細かいタスクを提案する。
論文 参考訳（メタデータ） (2023-05-12T06:17:13Z) - BigDatasetGAN: Synthesizing ImageNet with Pixel-wise Annotations [89.42397034542189]
我々は,GAN(Generative Adversarial Network)を介して,大規模ラベル付きデータセットを合成する。
我々は、ImageNetで訓練されたクラス条件生成モデルBigGANの画像サンプルを、すべての1kクラスに対して、クラス毎の5つのイメージを手動でアノテートする。
我々は、追加の8k実画像のセットをラベル付けして、新しいImageNetベンチマークを作成し、様々な設定でセグメンテーション性能を評価する。
論文 参考訳（メタデータ） (2022-01-12T20:28:34Z) - Incremental Meta-Learning via Episodic Replay Distillation for Few-Shot
Image Recognition [43.44508415430047]
本稿では,クラスを個別タスクで段階的に提示するインクリメンタルメタラーニング(IML)の問題について考察する。
エピソディック・リプレイ蒸留 (ERD) と呼ばれる IML へのアプローチを提案する。
ERDは、現在のタスクからクラスをミックスし、メタ学習のためにエピソードをサンプリングする際、以前のタスクからクラスを例示する。
論文 参考訳（メタデータ） (2021-11-09T08:32:05Z) - MetaMIML: Meta Multi-Instance Multi-Label Learning [27.32606468640938]
異なるタイプの相互依存型MIMLオブジェクトをマイニングするためのネットワーク埋め込みとメタラーニングに基づくアプローチを提案する。
ベンチマークデータセットの実験では、MetaMIMLは最先端のアルゴリズムよりも大幅にパフォーマンスが向上している。
論文 参考訳（メタデータ） (2021-11-07T15:54:52Z) - Learning Meta-class Memory for Few-Shot Semantic Segmentation [90.28474742651422]
全てのクラスで共有可能なメタ情報であるメタクラスの概念を導入する。
本稿では,メタクラスメモリをベースとした少ショットセグメンテーション手法 (MM-Net) を提案する。
提案したMM-Netは1ショット設定でCOCOデータセット上で37.5%のmIoUを達成する。
論文 参考訳（メタデータ） (2021-08-06T06:29:59Z) - DatasetGAN: Efficient Labeled Data Factory with Minimal Human Effort [117.41383937100751]
現在のディープネットワークは、大規模なデータセットのトレーニングの恩恵を受ける、非常にデータハングリーです。
GAN潜入コードがどのようにデコードされ、イメージのセマンティックセグメンテーションを生成するかを示す。
これらの生成されたデータセットは、実際のデータセットと同じように、コンピュータビジョンアーキテクチャのトレーニングに使用できます。
論文 参考訳（メタデータ） (2021-04-13T20:08:29Z) - MetaDelta: A Meta-Learning System for Few-shot Image Classification [71.06324527247423]
数ショット画像分類のための新しいメタ学習システムであるMetaDeltaを提案する。
MetaDeltaの各メタラーナーは、バッチトレーニングによって微調整された独自の事前訓練エンコーダと、予測に使用されるパラメータフリーデコーダで構成されている。
論文 参考訳（メタデータ） (2021-02-22T02:57:22Z) - Data Augmentation for Meta-Learning [58.47185740820304]
メタ学習アルゴリズムは、各トレーニングステップでデータ、クエリデータ、タスクをサンプリングする。
データ拡張は、クラス毎に利用可能な画像の数を増やすだけでなく、全く新しいクラス/タスクを生成するためにも使用できる。
提案したメタ固有データ拡張は,数ショットの分類ベンチマークにおいて,メタラーナーの性能を著しく向上させる。
論文 参考訳（メタデータ） (2020-10-14T13:48:22Z) - Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。
我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
論文 参考訳（メタデータ） (2020-02-11T01:39:12Z)
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。