論文の概要: NEV-NCD: Negative Learning, Entropy, and Variance regularization based novel action categories discovery

• arxiv url: http://arxiv.org/abs/2304.07354v1
• Date: Fri, 14 Apr 2023 19:20:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 19:30:21.938683
• Title: NEV-NCD: Negative Learning, Entropy, and Variance regularization based novel action categories discovery
• Title（参考訳）: NEV-NCD: 負学習・エントロピー・可変正規化に基づく新しい行動カテゴリー発見
• Authors: Zahid Hasan, Masud Ahmed, Abu Zaher Md Faridee, Sanjay Purushotham, Heesung Kwon, Hyungtae Lee, Nirmalya Roy
• Abstract要約: 新たなカテゴリディスカバリ(NCD)は、部分的にアノテートされたラベル空間からの学習を容易にする。 そこで我々は,新しい一段階共同最適化型NCD法,負学習,エントロピー,分散正規化NCDを提案する。 ビデオ行動認識のNCD応用におけるNEV-NCDの有効性を実証する。
• 参考スコア（独自算出の注目度）: 23.17093125627668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Novel Categories Discovery (NCD) facilitates learning from a partially annotated label space and enables deep learning (DL) models to operate in an open-world setting by identifying and differentiating instances of novel classes based on the labeled data notions. One of the primary assumptions of NCD is that the novel label space is perfectly disjoint and can be equipartitioned, but it is rarely realized by most NCD approaches in practice. To better align with this assumption, we propose a novel single-stage joint optimization-based NCD method, Negative learning, Entropy, and Variance regularization NCD (NEV-NCD). We demonstrate the efficacy of NEV-NCD in previously unexplored NCD applications of video action recognition (VAR) with the public UCF101 dataset and a curated in-house partial action-space annotated multi-view video dataset. We perform a thorough ablation study by varying the composition of final joint loss and associated hyper-parameters. During our experiments with UCF101 and multi-view action dataset, NEV-NCD achieves ~ 83% classification accuracy in test instances of labeled data. NEV-NCD achieves ~ 70% clustering accuracy over unlabeled data outperforming both naive baselines (by ~ 40%) and state-of-the-art pseudo-labeling-based approaches (by ~ 3.5%) over both datasets. Further, we propose to incorporate optional view-invariant feature learning with the multiview dataset to identify novel categories from novel viewpoints. Our additional view-invariance constraint improves the discriminative accuracy for both known and unknown categories by ~ 10% for novel viewpoints.
• Abstract（参考訳）: New Categories Discovery (NCD)は、部分的にアノテートされたラベル空間からの学習を容易にし、ラベル付きデータ概念に基づいて新しいクラスのインスタンスを識別・識別することで、ディープラーニング(DL)モデルがオープンワールド環境で動作できるようにする。 NCDの主な仮定の1つは、新しいラベル空間は完全に不整合であり、均等にすることができるが、実際にはほとんどのNCDアプローチによって実現されることは稀である。 この仮定に合致するために,新しい単段最適化に基づくncd法,負学習法,エントロピー法,分散正規化ncd法(nev-ncd)を提案する。 UCF101データセットと社内部分的アクション空間注釈付きマルチビュービデオデータセットによるビデオアクション認識(VAR)の未探索NCDアプリケーションにおけるNEV-NCDの有効性を実証した。 最終関節損失とそれに伴うハイパーパラメータの構成を変化させて徹底的なアブレーション研究を行う。 UCF101とマルチビューアクションデータセットを用いた実験では、ラベル付きデータのテストインスタンスにおいて、NEV-NCDはおよそ83%の分類精度を達成した。 NEV-NCDは、単純なベースライン(~40%)と、両方のデータセットに対する最先端の擬似ラベルベースのアプローチ(~3.5%)の両方を上回る、ラベルのないデータに対して、およそ70%のクラスタリング精度を達成する。 さらに,新しい視点から新しいカテゴリを識別するために,任意のビュー不変特徴学習をマルチビューデータセットに組み込むことを提案する。 追加の視点非分散制約により、未知のカテゴリと未知のカテゴリの判別精度が10%程度向上する。

関連論文リスト

• Exclusive Style Removal for Cross Domain Novel Class Discovery [15.868889486516306]
  新たなクラスディスカバリ(NCD)は,オープンワールド学習において有望な分野である。 本稿では,基本特徴と異なるスタイル情報を抽出するための排他的スタイル除去モジュールを提案する。 このモジュールは他のNCDメソッドと簡単に統合でき、異なるディストリビューションを持つ新しいクラスのパフォーマンスを向上させるプラグインとして機能する。
  論文  参考訳（メタデータ） (2024-06-26T07:44:27Z)
• Federated Continual Novel Class Learning [68.05835753892907]
  本稿では,グローバルな新規クラス数を正確に推定できるグローバルアライメント学習フレームワークを提案する。 Galは新規クラスの性能を大幅に改善し、精度は5.1%から10.6%に向上した。 Galは、様々な主流のフェデレートラーニングアルゴリズムに新しいクラス発見と学習能力を持たせるのに効果的であることが示されている。
  論文  参考訳（メタデータ） (2023-12-21T00:31:54Z)
• A Practical Approach to Novel Class Discovery in Tabular Data [38.41548083078336]
  新規クラスディスカバリー(英: Novel Class Discovery, NCD)は、未知のクラスを正確に分割するために、ラベル付けされた既知のクラスの集合から知識を抽出する問題である。 本研究では、$k$-foldのクロスバリデーションプロセスを適用し、既知のクラスの一部を各フォルダに隠すことで、NCDメソッドのハイパーパラメータを調整することを提案する。 この手法の潜在空間は,新規クラスの数を確実に推定するために有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-09T15:24:44Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• PromptCAL: Contrastive Affinity Learning via Auxiliary Prompts for Generalized Novel Category Discovery [39.03732147384566]
  Generalized Novel Category Discovery (GNCD) 設定は、既知のクラスや新しいクラスから来るラベルなしのトレーニングデータを分類することを目的としている。 本稿では,この課題に対処するために,PromptCALと呼ばれる補助視覚プロンプトを用いたコントラスト親和性学習法を提案する。 提案手法は,クラストークンと視覚的プロンプトのための既知のクラスと新しいクラスのセマンティッククラスタリングを改善するために,信頼性の高いペアワイズサンプル親和性を発見する。
  論文  参考訳（メタデータ） (2022-12-11T20:06:14Z)
• Modeling Inter-Class and Intra-Class Constraints in Novel Class Discovery [20.67503042774617]
  新たなクラス発見(NCD)は、クラス非結合なラベル付きデータセットから別の非ラベル付きデータセットへ共通の知識を転送するモデルを学ぶことを目的としている。 対称KKLD(Kullback-Leibler divergence)に基づくNCDにおけるクラス間制約とクラス内制約の両方をモデル化する。
  論文  参考訳（メタデータ） (2022-10-07T14:46:32Z)
• A Method for Discovering Novel Classes in Tabular Data [54.11148718494725]
  Novel Class Discovery (NCD) において、ゴールは、既知のクラスと異なるクラスのラベル付きセットが与えられたラベルのないセットで新しいクラスを見つけることである。 異種データにおける新しいクラスの発見過程を導くために,すでに知られているクラスから知識を抽出する方法を示す。
  論文  参考訳（メタデータ） (2022-09-02T11:45:24Z)
• Spacing Loss for Discovering Novel Categories [72.52222295216062]
  新たなクラスディスカバリ(NCD)は、マシンラーニングモデルがラベルのないデータからインスタンスを意味的にグループ化する、学習パラダイムである。 まず,ラベル付きデータとラベルなしデータを併用する必要があるかどうかに基づいて,既存のNCD手法を1段階および2段階の手法に特徴付ける。 多次元スケーリングのキューを用いて、潜在空間における分離性を強制する単純で強力な損失関数を考案する。
  論文  参考訳（メタデータ） (2022-04-22T09:37:11Z)
• Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
  我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。 これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-06-20T17:34:55Z)

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。