論文の概要: Glocal Energy-based Learning for Few-Shot Open-Set Recognition

• arxiv url: http://arxiv.org/abs/2304.11855v1
• Date: Mon, 24 Apr 2023 07:06:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 15:58:35.008890
• Title: Glocal Energy-based Learning for Few-Shot Open-Set Recognition
• Title（参考訳）: マイナショットオープンセット認識のためのglocal energy-based learning
• Authors: Haoyu Wang, Guansong Pang, Peng Wang, Lei Zhang, Wei Wei, Yanning Zhang
• Abstract要約: FSOR(Few-shot Open-set Recognition)は、非常に実用的なタスクである。 FSORのための新しいエネルギーベースハイブリッドモデルを提案する。 3つの標準FSORデータセットの実験は、我々のモデルの優れた性能を示している。
• 参考スコア（独自算出の注目度）: 57.84234213466372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot open-set recognition (FSOR) is a challenging task of great practical value. It aims to categorize a sample to one of the pre-defined, closed-set classes illustrated by few examples while being able to reject the sample from unknown classes. In this work, we approach the FSOR task by proposing a novel energy-based hybrid model. The model is composed of two branches, where a classification branch learns a metric to classify a sample to one of closed-set classes and the energy branch explicitly estimates the open-set probability. To achieve holistic detection of open-set samples, our model leverages both class-wise and pixel-wise features to learn a glocal energy-based score, in which a global energy score is learned using the class-wise features, while a local energy score is learned using the pixel-wise features. The model is enforced to assign large energy scores to samples that are deviated from the few-shot examples in either the class-wise features or the pixel-wise features, and to assign small energy scores otherwise. Experiments on three standard FSOR datasets show the superior performance of our model.
• Abstract（参考訳）: FSOR(Few-shot Open-set Recognition)は、非常に実用的なタスクである。 サンプルを、いくつかの例で示される事前定義されたクローズドセットクラスの1つに分類し、未知のクラスからサンプルを拒絶することを目的としている。 本研究では,新しいエネルギーベースハイブリッドモデルを提案することにより,FSORタスクにアプローチする。 このモデルは2つの分岐から成り、分類分岐は標本を閉集合の1つに分類するために計量を学び、エネルギー分岐は開集合確率を明示的に推定する。 オープンセット標本の包括的検出を実現するために,本モデルは,クラス毎とピクセル毎の両方の機能を活用して,glocal energy-based scoreを学習し,クラス毎の特徴を用いてグローバルエネルギースコアを学習し,ピクセル毎の特徴を用いてローカルエネルギースコアを学習する。 このモデルは、クラスワイド特徴またはピクセルワイド特徴の少数例から逸脱したサンプルに大きなエネルギースコアを割り当て、それ以外は小さなエネルギースコアを割り当てるように強制される。 3つの標準FSORデータセットの実験は、我々のモデルの優れた性能を示している。

関連論文リスト

• Abstracted Gaussian Prototypes for One-Shot Concept Learning [0.0]
  視覚概念の高レベル表現を符号化するクラスタベース生成画像分割フレームワークを提案する。 提案したフレームワークは印象的だが最先端の分類精度には至らない。
  論文  参考訳（メタデータ） (2024-08-30T12:50:15Z)
• Generalization Bounds for Few-Shot Transfer Learning with Pretrained Classifiers [26.844410679685424]
  本研究では,新しいクラスに移動可能な分類の表現を基礎モデルで学習する能力について検討する。 クラス-機能-変数の崩壊の場合,新しいクラスで学習した特徴マップのわずかな誤差が小さいことを示す。
  論文  参考訳（メタデータ） (2022-12-23T18:46:05Z)
• Generalization Properties of Retrieval-based Models [50.35325326050263]
  検索ベースの機械学習手法は、幅広い問題で成功をおさめた。 これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。 本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
  論文  参考訳（メタデータ） (2022-10-06T00:33:01Z)
• Semantic Driven Energy based Out-of-Distribution Detection [0.4640835690336652]
  エネルギーベースのOOD法は有望であり、優れた性能を発揮することが証明されている。 本稿では,エンドツーエンドのトレーニングシステムであり,最適化が容易なセマンティックなエネルギーベース手法を提案する。 その結果,我々の新しい手法は,一般的なベンチマーク上でのエネルギーベースモデルとして,外乱検出を強化し,最先端のモデルを実現する。
  論文  参考訳（メタデータ） (2022-08-23T07:40:34Z)
• 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)
• ECKPN: Explicit Class Knowledge Propagation Network for Transductive Few-shot Learning [53.09923823663554]
  クラスレベルの知識は、ほんの一握りのサンプルから人間が容易に学習することができる。 本稿では,この問題に対処する明示的クラス知識伝達ネットワーク(ECKPN)を提案する。 筆者らは,4つの数ショット分類ベンチマークについて広範な実験を行い,提案したECKPNが最先端の手法よりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2021-06-16T02:29:43Z)
• Energy Aligning for Biased Models [39.00256193731365]
  クラス不均衡データのトレーニングは通常、多数クラスのサンプルを予測する傾向にあるバイアスのあるモデルをもたらす。 本稿では, バイアスを除去する簡易かつ効果的なEnergy Aligning法を提案する。 実験結果から,エネルギー整合性はクラス不均衡問題を効果的に軽減し,いくつかのベンチマークで最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-07T05:12:26Z)
• DFS: A Diverse Feature Synthesis Model for Generalized Zero-Shot Learning [12.856168667514947]
  ジェネレーティブベースの戦略は、一般化ゼロショット学習タスクにおいて大きな可能性を秘めている。 ジェネレーティブベースの戦略は、一般化ゼロショット学習タスクにおいて大きな可能性を秘めている。 本論文では,GZSLモデルの汎用性を高めるために,非可視クラスの特徴多様性の改善を提案する。
  論文  参考訳（メタデータ） (2021-03-19T12:24:42Z)
• Generative Multi-Label Zero-Shot Learning [136.17594611722285]
  マルチラベルゼロショット学習は、トレーニング中にデータが入手できない複数の見えないカテゴリにイメージを分類する試みである。 我々の研究は、(一般化された)ゼロショット設定におけるマルチラベル機能の問題に最初に取り組みました。 私たちのクロスレベル核融合に基づく生成アプローチは、3つのデータセットすべてにおいて最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-01-27T18:56:46Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)

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。