論文の概要: Learning More Discriminative Local Descriptors for Few-shot Learning

• arxiv url: http://arxiv.org/abs/2305.08721v1
• Date: Mon, 15 May 2023 15:33:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 13:55:57.081168
• Title: Learning More Discriminative Local Descriptors for Few-shot Learning
• Title（参考訳）: ファウショット学習のためのより差別的なローカル記述子学習
• Authors: Qijun Song and Siyun Zhou and Liwei Xu
• Abstract要約: 本稿では,代表的ローカル記述子を適応的に選択する識別的ローカル記述子注意(DLDA)モデルを提案する。 従来の$k$-NN分類モデルを、クエリポイントからの距離に応じて、近隣の$k$の重みを調整することで修正する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot learning for image classification comes up as a hot topic in computer vision, which aims at fast learning from a limited number of labeled images and generalize over the new tasks. In this paper, motivated by the idea of Fisher Score, we propose a Discriminative Local Descriptors Attention (DLDA) model that adaptively selects the representative local descriptors and does not introduce any additional parameters, while most of the existing local descriptors based methods utilize the neural networks that inevitably involve the tedious parameter tuning. Moreover, we modify the traditional $k$-NN classification model by adjusting the weights of the $k$ nearest neighbors according to their distances from the query point. Experiments on four benchmark datasets show that our method not only achieves higher accuracy compared with the state-of-art approaches for few-shot learning, but also possesses lower sensitivity to the choices of $k$.
• Abstract（参考訳）: 画像分類のための画像分類学習は、限られたラベル付き画像から高速に学習し、新しいタスクを一般化することを目的とした、コンピュータビジョンにおけるホットトピックとして現れている。 本稿では,フィッシャースコアの考え方に動機づけられ,代表的局所記述子を適応的に選択し,追加パラメータを含まない識別的局所記述子注意(dlda)モデルを提案する。 さらに,従来の$k$-NN分類モデルを,クエリポイントからの距離に応じて,隣接する$k$の重みを調整することで変更する。 4つのベンチマークデータセットを用いた実験により,本手法は,数ショット学習における最先端手法と比較して精度が高いだけでなく,$k$の選択に対する感度も低いことがわかった。

関連論文リスト

• Local Descriptors Weighted Adaptive Threshold Filtering For Few-Shot Learning [0.0]
  画像の分類はほとんどないが、機械学習の分野では難しい課題だ。 本稿では,局所記述子に対する革新的な重み付け適応しきい値フィルタリング(WATF)戦略を提案する。 本手法は、学習可能なパラメータを追加せずに、シンプルで軽量な設計哲学を維持している。
  論文  参考訳（メタデータ） (2024-08-28T16:36:23Z)
• Feature Aligning Few shot Learning Method Using Local Descriptors Weighted Rules [0.0]
  ラベル付きサンプルの限られた数を使用して、新しいカテゴリを識別することを含む分類はほとんどない。 本稿では,局所記述子重み付きルール(FAFD-LDWR)を用いたFew-shot学習手法を提案する。 ローカルディスクリプタの識別情報を可能な限り保存するために、クロスノーマライゼーション手法を少数ショット画像分類に革新的に導入し、サポートのキーローカルディスクリプタとクエリセットを整列させて、バックグラウンドノイズを除去することで分類性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-26T11:36:38Z)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• Learning Dynamic Alignment via Meta-filter for Few-shot Learning [94.41887992982986]
  少ないショット学習は、学習知識を極めて限定的な(サポート)例で適応させることで、新しいクラスを認識することを目的としている。 異なるローカルサポート情報に従って、クエリ領域とチャネルの両方を効果的に強調表示できる動的アライメントを学びます。 結果として得られたフレームワークは、主要な数発の視覚認識ベンチマークに最新技術を確立します。
  論文  参考訳（メタデータ） (2021-03-25T03:29:33Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)
• Few-shot Classification via Adaptive Attention [93.06105498633492]
  ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。 実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
  論文  参考訳（メタデータ） (2020-08-06T05:52:59Z)
• LFD-ProtoNet: Prototypical Network Based on Local Fisher Discriminant Analysis for Few-shot Learning [98.64231310584614]
  Prototypeal Network (ProtoNet) は、各クラスのプロトタイプ表現までの距離を用いてメートル法学習と分類を行う、数発の学習フレームワークである。 提案手法の有用性は,理論上は予測されるリスクバウンドを提供し,MiniImageNetとタイレッドImageNetに優れた分類精度を実証的に示すことによって示される。
  論文  参考訳（メタデータ） (2020-06-15T11:56:30Z)
• Weakly-supervised Object Localization for Few-shot Learning and Fine-grained Few-shot Learning [0.5156484100374058]
  少数のサンプルから新しい視覚カテゴリーを学習することを目的としている。 本稿では,自己認識型補完モジュール(SACモジュール)を提案する。 また,数発の分類のために,識別的深層記述子を選択するためのアクティブマスクも生成する。
  論文  参考訳（メタデータ） (2020-03-02T14:07:05Z)

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。