論文の概要: A Forward and Backward Compatible Framework for Few-shot Class-incremental Pill Recognition
- arxiv url: http://arxiv.org/abs/2304.11959v2
- Date: Mon, 25 Mar 2024 15:15:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-28 01:39:58.480270
- Title: A Forward and Backward Compatible Framework for Few-shot Class-incremental Pill Recognition
- Title（参考訳）: Few-shot Class-incremental Pill Recognitionのための前方・後方対応型フレームワーク
- Authors: Jinghua Zhang, Li Liu, Kai Gao, Dewen Hu,
- Abstract要約: 本稿では,最初の数発のクラスインクリメンタル・ピル認識フレームワークを紹介する。
前方互換と後方互換の学習コンポーネントを含んでいる。
実験の結果,我々のフレームワークは既存の最先端(SOTA)メソッドを超越していることがわかった。
- 参考スコア（独自算出の注目度）: 24.17119669744624
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic Pill Recognition (APR) systems are crucial for enhancing hospital efficiency, assisting visually impaired individuals, and preventing cross-infection. However, most existing deep learning-based pill recognition systems can only perform classification on classes with sufficient training data. In practice, the high cost of data annotation and the continuous increase in new pill classes necessitate the development of a few-shot class-incremental pill recognition system. This paper introduces the first few-shot class-incremental pill recognition framework, named Discriminative and Bidirectional Compatible Few-Shot Class-Incremental Learning (DBC-FSCIL). It encompasses forward-compatible and backward-compatible learning components. In forward-compatible learning, we propose an innovative virtual class synthesis strategy and a Center-Triplet (CT) loss to enhance discriminative feature learning. These virtual classes serve as placeholders in the feature space for future class updates, providing diverse semantic knowledge for model training. For backward-compatible learning, we develop a strategy to synthesize reliable pseudo-features of old classes using uncertainty quantification, facilitating Data Replay (DR) and Knowledge Distillation (KD). This approach allows for the flexible synthesis of features and effectively reduces additional storage requirements for samples and models. Additionally, we construct a new pill image dataset for FSCIL and assess various mainstream FSCIL methods, establishing new benchmarks. Our experimental results demonstrate that our framework surpasses existing State-of-the-art (SOTA) methods. The code is available at https://github.com/zhang-jinghua/DBC-FSCIL.
- Abstract（参考訳）: 自動ピル認識(APR)システムは、病院の効率の向上、視覚障害者の支援、感染症の予防に不可欠である。
しかし,既存の深層学習に基づく錠剤認識システムでは,十分な学習データを持つクラスでのみ分類を行うことができる。
実際には、データアノテーションの高コスト化と新しいピルクラスの増加は、数発のクラスインクリメンタル・ピル認識システムの開発を必要としている。
本稿では,DBC-FSCIL(DBC-FSCIL)と呼ばれる,最初の数発のクラスインクリメンタル・ピル認識フレームワークを紹介する。
前方互換と後方互換の学習コンポーネントを含んでいる。
前方互換性学習において,差別的特徴学習を強化するために,革新的な仮想クラス合成戦略とセンター・トリプレット(CT)損失を提案する。
これらの仮想クラスは、将来のクラス更新のための機能領域のプレースホルダーとして機能し、モデルトレーニングのための多様なセマンティック知識を提供する。
後方互換性のある学習のために,不確実な定量化,データ再生(DR)と知識蒸留(KD)の促進により,古いクラスの信頼性の高い擬似特徴を合成する戦略を開発する。
このアプローチは、機能の柔軟な合成を可能にし、サンプルやモデルの追加ストレージ要求を効果的に削減する。
さらに、FSCILのための新しいピル画像データセットを構築し、様々な主流のFSCIL手法を評価し、新しいベンチマークを確立する。
実験の結果,我々のフレームワークは既存の最先端(SOTA)メソッドを超越していることがわかった。
コードはhttps://github.com/zhang-jinghua/DBC-FSCILで公開されている。
関連論文リスト
- Queryable Prototype Multiple Instance Learning with Vision-Language Models for Incremental Whole Slide Image Classification [10.667645628712542]
本稿では, 逐次WSI分類に特化して設計された, Queryable Prototype Multiple Instance Learning (QPMIL-VL) を用いた視覚言語ベースのフレームワークを提案する。
TCGAデータセットの4つの実験により、我々のQPMIL-VLフレームワークが漸進的なWSI分類に有効であることが示された。
論文 参考訳（メタデータ） (2024-10-14T14:49:34Z) - Data-Free Class Incremental Gesture Recognition via Synthetic Feature Sampling [10.598646625077025]
DFCILは、古いクラスのトレーニングデータが利用できない場合でも、古いクラスの知識を再トレーニングしながら、モデルが新しいクラスを継続的に学習できるようにすることを目的としている。
SFR(Synthetic Feature Replay)を開発した。これは,クラスプロトタイプから合成特徴をサンプリングし,古いクラスを再生し,新しいクラスを増強するものだ。
提案手法は,全ステップにわたる平均精度で最大15%の精度向上を実現し,最先端技術に対する大幅な進歩を示す。
論文 参考訳（メタデータ） (2024-08-21T18:44:15Z) - Few-Shot Class-Incremental Learning with Prior Knowledge [94.95569068211195]
本稿では,事前学習モデルの一般化能力を高めるために,先行知識を用いた学習(LwPK)を提案する。
実験結果から,LwPKは破滅的忘れ込みに対するモデルレジリエンスを効果的に向上させることが示された。
論文 参考訳（メタデータ） (2024-02-02T08:05:35Z) - 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) - Adapter Learning in Pretrained Feature Extractor for Continual Learning
of Diseases [66.27889778566734]
現在、インテリジェント診断システムには、デプロイされたばかりの新しい病気を継続的に診断する能力がない。
特に、新しい疾患のトレーニングデータを用いたインテリジェント診断システムの更新は、古い疾患の知識を壊滅的に忘れてしまう可能性がある。
ACLと呼ばれるアダプタベースの連続学習フレームワークは、新しい病気の集合を効果的に学習するために提案されている。
論文 参考訳（メタデータ） (2023-04-18T15:01:45Z) - Leveraging Old Knowledge to Continually Learn New Classes in Medical
Images [16.730335437094592]
我々は、破滅的なことを忘れずに新しいクラスを学ぶために、いかに古い知識を活用できるかに焦点を当てる。
我々のソリューションは、最先端のベースラインよりも、クラスの正確さと忘れやすさにおいて優れたパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2023-03-24T02:10:53Z) - Mitigating Forgetting in Online Continual Learning via Contrasting
Semantically Distinct Augmentations [22.289830907729705]
オンライン連続学習(OCL)は、非定常データストリームからモデル学習を可能とし、新たな知識を継続的に獲得し、学習した知識を維持することを目的としている。
主な課題は、"破滅的な忘れる"問題、すなわち、新しい知識を学習しながら学習した知識を十分に記憶できないことにある。
論文 参考訳（メタデータ） (2022-11-10T05:29:43Z) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳（メタデータ） (2022-04-28T08:41:51Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - Self-Supervised Learning Aided Class-Incremental Lifelong Learning [17.151579393716958]
クラスインクリメンタルラーニング(Class-IL)における破滅的忘れの問題について検討する。
クラスILの訓練手順では、モデルが次のタスクについて知識を持っていないため、これまで学習してきたタスクに必要な特徴のみを抽出し、その情報は共同分類に不十分である。
本稿では,ラベルを必要とせずに効果的な表現を提供する自己教師型学習と,この問題を回避するためのクラスILを組み合わせることを提案する。
論文 参考訳（メタデータ） (2020-06-10T15:15:27Z) - Few-Shot Class-Incremental Learning [68.75462849428196]
本稿では,FSCIL問題に焦点をあてる。
FSCIL は CNN モデルに対して,学習済みのクラスを忘れることなく,ラベル付きサンプルのごく少数から新たなクラスを漸進的に学習することを求めている。
我々は,異なるクラスで形成される特徴多様体のトポロジーを学習し,保存するニューラルネットワーク(NG)ネットワークを用いて,知識を表現する。
論文 参考訳（メタデータ） (2020-04-23T03:38:33Z)
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。