論文の概要: Transductive Few-shot Learning with Prototype-based Label Propagation by
Iterative Graph Refinement
- arxiv url: http://arxiv.org/abs/2304.11598v1
- Date: Sun, 23 Apr 2023 10:09:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 17:34:32.214812
- Title: Transductive Few-shot Learning with Prototype-based Label Propagation by
Iterative Graph Refinement
- Title(参考訳): 反復グラフ微細化によるプロトタイプベースラベル伝搬によるトランスダクティブ・マイトショット学習
- Authors: Hao Zhu and Piotr Koniusz
- Abstract要約: そこで本研究では,数ショット学習のためのプロトタイプベースのラベル伝搬手法を提案する。
具体的には, このグラフ構造は, サンプル間の関係ではなく, プロトタイプとサンプルの関係に基づいている。
ミニイメージネット, タイレッドイメージネット, CIFAR-FS, CUBデータセットでは, 提案手法が他の最先端手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 41.726774734996766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot learning (FSL) is popular due to its ability to adapt to novel
classes. Compared with inductive few-shot learning, transductive models
typically perform better as they leverage all samples of the query set. The two
existing classes of methods, prototype-based and graph-based, have the
disadvantages of inaccurate prototype estimation and sub-optimal graph
construction with kernel functions, respectively. In this paper, we propose a
novel prototype-based label propagation to solve these issues. Specifically,
our graph construction is based on the relation between prototypes and samples
rather than between samples. As prototypes are being updated, the graph
changes. We also estimate the label of each prototype instead of considering a
prototype be the class centre. On mini-ImageNet, tiered-ImageNet, CIFAR-FS and
CUB datasets, we show the proposed method outperforms other state-of-the-art
methods in transductive FSL and semi-supervised FSL when some unlabeled data
accompanies the novel few-shot task.
- Abstract(参考訳): FSL(Few-shot Learning)は、新しいクラスに適応できることから人気がある。
インダクティブな少数ショット学習と比較して、トランスダクティブモデルは通常、クエリセットのすべてのサンプルを活用することでパフォーマンスが向上する。
プロトタイプベースとグラフベースという2つの既存の手法は、それぞれカーネル関数を用いた不正確なプロトタイプ推定と準最適グラフ構築の欠点がある。
本稿では,これらの問題を解決するために,新しいプロトタイプベースラベル伝搬を提案する。
具体的には, このグラフ構造は, サンプル間の関係ではなく, プロトタイプとサンプルの関係に基づいている。
プロトタイプが更新されると、グラフは変わる。
また,プロトタイプをクラスセンタとして考えるのではなく,各プロトタイプのラベルを推定する。
ミニイメージネット, タイレッドイメージネット, CIFAR-FS および CUB データセットにおいて, 提案手法は, 未ラベルデータの一部が新規な複数ショットタスクに付随する場合に, トランスダクティブ FSL および半教師付き FSL において他の最先端手法よりも優れていることを示す。
関連論文リスト
- Mixed Prototype Consistency Learning for Semi-supervised Medical Image Segmentation [0.0]
本稿では,Mixed Prototype Consistency Learning (MPCL) フレームワークを提案する。
Mean Teacherはラベル付きおよびラベルなしデータのプロトタイプを生成し、補助ネットワークはCutMixによって処理された混合データのための追加のプロトタイプを生成する。
各クラスの高品質なグローバルプロトタイプは、2つの強化されたプロトタイプを融合して形成され、一貫性学習に使用される隠れ埋め込みの分布を最適化する。
論文 参考訳(メタデータ) (2024-04-16T16:51:12Z) - Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。
1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。
本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。
本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
論文 参考訳(メタデータ) (2024-01-15T03:33:39Z) - Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。
我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。
この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
論文 参考訳(メタデータ) (2022-03-28T21:15:32Z) - Interpretable Image Classification with Differentiable Prototypes
Assignment [7.660883761395447]
クラスが共有するプロトタイプのプールを備えた解釈可能な画像分類モデルであるProtoPoolを紹介する。
プロトタイプを特定のクラスに完全に微分可能な割り当てを導入することで得られる。
我々は,CUB-200-2011とStanford Carsのデータセットにおいて,ProtoPoolが最先端の精度を得ることを示す。
論文 参考訳(メタデータ) (2021-12-06T10:03:32Z) - Dual Prototypical Contrastive Learning for Few-shot Semantic
Segmentation [55.339405417090084]
本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。
第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。
提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-11-09T08:14:50Z) - Learning Class-level Prototypes for Few-shot Learning [24.65076873131432]
ほとんどラベル付きサンプルを使用して新しいカテゴリを認識することを目的としていない。
本稿では,少数のサポートデータから好適なプロトタイプを生成することを学べる,数ショット分類のためのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-25T06:33:52Z) - Prototype Completion for Few-Shot Learning [13.63424509914303]
少数ショット学習は、いくつかの例で新しいクラスを認識することを目的としている。
事前学習に基づく手法は,特徴抽出器を事前学習し,最寄りのセントロイド型メタラーニングを通して微調整することで,この問題に効果的に対処する。
本稿では,完成度に基づくメタラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-11T03:44:00Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳(メタデータ) (2021-04-19T08:46:08Z) - Contrastive Prototype Learning with Augmented Embeddings for Few-Shot
Learning [58.2091760793799]
拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。
クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。
いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
論文 参考訳(メタデータ) (2021-01-23T13:22:44Z) - Few-shot Image Recognition with Manifolds [10.312968200748116]
ソースドメインデータがアクセスできない状況に、従来の数発の学習問題を拡張します。
限られたトレーニングデータから,すべてのクラスプロトタイプが多様体上に構造的に配置されていることを前提として,非パラメトリックな手法を提案する。
分類において、クラスプロトタイプで構築されたグラフ上にマルコフ連鎖を誘導することにより、カテゴリの構造的配置を再び活用する。
論文 参考訳(メタデータ) (2020-10-22T21:57:27Z)
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。