論文の概要: Instance-level Few-shot Learning with Class Hierarchy Mining
- arxiv url: http://arxiv.org/abs/2304.07459v1
- Date: Sat, 15 Apr 2023 02:55:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 19:02:47.892083
- Title: Instance-level Few-shot Learning with Class Hierarchy Mining
- Title（参考訳）: クラス階層マイニングによるインスタンスレベルのマイニング
- Authors: Anh-Khoa Nguyen Vu, Thanh-Toan Do, Nhat-Duy Nguyen, Vinh-Tiep Nguyen,
Thanh Duc Ngo, Tam V. Nguyen
- Abstract要約: 我々は階層的な情報を利用して、新しいオブジェクトを効果的に分類するために、基本クラスの識別的および関連する特徴を活用する。
これらの特徴は、不足したデータを持つクラスを合理的に記述するために使用できる、ベースクラスの豊富なデータから抽出される。
FSISにおける階層型検出器を効果的に訓練するために,細粒度クラス間の関係をより詳細に記述するためにラベル改良を適用した。
- 参考スコア（独自算出の注目度）: 26.273796311012042
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot learning is proposed to tackle the problem of scarce training data
in novel classes. However, prior works in instance-level few-shot learning have
paid less attention to effectively utilizing the relationship between
categories. In this paper, we exploit the hierarchical information to leverage
discriminative and relevant features of base classes to effectively classify
novel objects. These features are extracted from abundant data of base classes,
which could be utilized to reasonably describe classes with scarce data.
Specifically, we propose a novel superclass approach that automatically creates
a hierarchy considering base and novel classes as fine-grained classes for
few-shot instance segmentation (FSIS). Based on the hierarchical information,
we design a novel framework called Soft Multiple Superclass (SMS) to extract
relevant features or characteristics of classes in the same superclass. A new
class assigned to the superclass is easier to classify by leveraging these
relevant features. Besides, in order to effectively train the
hierarchy-based-detector in FSIS, we apply the label refinement to further
describe the associations between fine-grained classes. The extensive
experiments demonstrate the effectiveness of our method on FSIS benchmarks.
Code is available online.
- Abstract（参考訳）: 新規授業における学習データ不足問題に取り組むために, 少人数学習を提案する。
しかし、事例レベルの少数ショット学習における先行研究は、カテゴリ間の関係を効果的に活用することにはあまり注意を払わなかった。
本稿では,階層情報を利用して,基本クラスの識別的・関連する特徴を活用し,新規なオブジェクトを効果的に分類する。
これらの特徴はベースクラスの豊富なデータから抽出され、不足しているクラスを合理的に記述するのに利用できる。
具体的には、ファインショットインスタンスセグメンテーション(FSIS)のためのきめ細かいクラスとして、ベースクラスと新規クラスの階層を自動的に生成する新しいスーパークラスアプローチを提案する。
階層的な情報に基づいて、同じスーパークラスのクラスの特徴や特徴を抽出するソフトマルチスーパークラス(SMS)と呼ばれる新しいフレームワークを設計する。
スーパークラスに割り当てられた新しいクラスは、これらの機能を利用することで分類が容易になる。
さらに,fsisで階層型検出器を効果的に訓練するために,ラベル改良を行い,細粒度クラス間の関係をより詳細に記述する。
広範な実験により,fsisベンチマークにおける本手法の有効性が実証された。
コードはオンラインで入手できる。
関連論文リスト
- UIFormer: A Unified Transformer-based Framework for Incremental Few-Shot Object Detection and Instance Segmentation [38.331860053615955]
本稿では,Transformerアーキテクチャを用いたインクリメンタルな小ショットオブジェクト検出(iFSOD)とインスタンスセグメンテーション(iFSIS)のための新しいフレームワークを提案する。
私たちのゴールは、新しいオブジェクトクラスのいくつかの例しか利用できない状況に対して最適なソリューションを作ることです。
論文 参考訳（メタデータ） (2024-11-13T12:29:44Z) - 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) - Organizing Background to Explore Latent Classes for Incremental Few-shot Semantic Segmentation [7.570798966278471]
インクリメンタルなFew-shot Semantic COCO(iFSS)は、トレーニング済みのセグメンテーションモデルを、いくつかの注釈付きイメージを通じて新しいクラスに拡張することである。
我々は,OINetと呼ばれる背景埋め込み空間 textbfOrganization とプロトタイプ textbfInherit Network を提案する。
論文 参考訳（メタデータ） (2024-05-29T23:22:12Z) - Few-Shot Class-Incremental Learning via Training-Free Prototype
Calibration [67.69532794049445]
既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。
我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
論文 参考訳（メタデータ） (2023-12-08T18:24:08Z) - Efficient Subclass Segmentation in Medical Images [3.383033695275859]
コストを削減するための実現可能な方法の1つは、補体として限定されたきめ細かいアノテーションを使用しながら、粗い粒度のスーパークラスラベルでアノテートすることである。
セマンティックセグメンテーションタスクにおけるきめ細かいサブクラスの効率的な学習に関する研究が不足している。
提案手法は,サブクラスアノテーションが限定された完全サブクラスアノテーションと十分なスーパークラスアノテーションで訓練されたモデルに匹敵する精度を実現する。
論文 参考訳（メタデータ） (2023-07-01T07:39:08Z) - CHiLS: Zero-Shot Image Classification with Hierarchical Label Sets [24.868024094095983]
オープン語彙モデル(例えばCLIP)はゼロショット分類において強い性能を示している。
暗黙的な意味的階層を持つデータセットに対する階層的ラベルセット(CHiLS)を用いた分類を提案する。
CHiLSは既存のゼロショットパイプラインで簡単に実装でき、追加のトレーニングコストを必要としない。
論文 参考訳（メタデータ） (2023-02-06T03:59:15Z) - Class-incremental Novel Class Discovery [76.35226130521758]
クラス増進型新規クラス発見(class-iNCD)の課題について検討する。
基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。
3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
論文 参考訳（メタデータ） (2022-07-18T13:49:27Z) - Use All The Labels: A Hierarchical Multi-Label Contrastive Learning
Framework [75.79736930414715]
本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。
比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
論文 参考訳（メタデータ） (2022-04-27T21:41:44Z) - Novel Class Discovery in Semantic Segmentation [104.30729847367104]
セマンティックにおける新しいクラス発見(NCDSS)について紹介する。
ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。
NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。
本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
論文 参考訳（メタデータ） (2021-12-03T13:31:59Z) - Few-Shot Object Detection via Association and DIscrimination [83.8472428718097]
AssociationとDIscriminationによるオブジェクト検出は、新しいクラスごとに2つのステップで識別可能な特徴空間を構築している。
Pascal VOCとMS-COCOデータセットの実験では、FADIは新しいSOTAパフォーマンスを実現し、ショット/スプリットのベースラインを+18.7で大幅に改善した。
論文 参考訳（メタデータ） (2021-11-23T05:04:06Z) - Feature Space Augmentation for Long-Tailed Data [74.65615132238291]
実世界のデータは、各クラスの周波数が典型的に異なるため、長い尾の分布に従うことが多い。
データ再サンプリングと拡張に関するクラスバランス損失と高度な手法は、データの不均衡問題を解決するためのベストプラクティスのひとつです。
提案手法は,多種多様なサンプルを持つクラスから学習した特徴量を用いて,特徴空間における表現不足のクラスを増大させることによって,長鎖問題に対処する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-08-09T06:38:00Z)
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。