論文の概要: Learning Adversarial Semantic Embeddings for Zero-Shot Recognition in
Open Worlds
- arxiv url: http://arxiv.org/abs/2307.03416v1
- Date: Fri, 7 Jul 2023 06:54:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-10 13:07:24.886616
- Title: Learning Adversarial Semantic Embeddings for Zero-Shot Recognition in
Open Worlds
- Title（参考訳）: オープンワールドにおけるゼロショット認識のための意味埋め込み学習
- Authors: Tianqi Li, Guansong Pang, Xiao Bai, Jin Zheng, Lei Zhou, Xin Ning
- Abstract要約: Zero-Shot Learning (ZSL)は、トレーニング中に提示されるサイドセマンティック情報のみを用いて、目に見えないクラスのサンプルを分類することに焦点を当てている。
未知のクラスからのサンプルを推論中に拒否しながら、未知のクラスからのサンプルを正確に分類するためには、Zero-Shot Open-Set Recognition (ZS-OSR)が必要である。
本稿では,ZS-OSRに特化して設計された新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 25.132219723741024
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Zero-Shot Learning (ZSL) focuses on classifying samples of unseen classes
with only their side semantic information presented during training. It cannot
handle real-life, open-world scenarios where there are test samples of unknown
classes for which neither samples (e.g., images) nor their side semantic
information is known during training. Open-Set Recognition (OSR) is dedicated
to addressing the unknown class issue, but existing OSR methods are not
designed to model the semantic information of the unseen classes. To tackle
this combined ZSL and OSR problem, we consider the case of "Zero-Shot Open-Set
Recognition" (ZS-OSR), where a model is trained under the ZSL setting but it is
required to accurately classify samples from the unseen classes while being
able to reject samples from the unknown classes during inference. We perform
large experiments on combining existing state-of-the-art ZSL and OSR models for
the ZS-OSR task on four widely used datasets adapted from the ZSL task, and
reveal that ZS-OSR is a non-trivial task as the simply combined solutions
perform badly in distinguishing the unseen-class and unknown-class samples. We
further introduce a novel approach specifically designed for ZS-OSR, in which
our model learns to generate adversarial semantic embeddings of the unknown
classes to train an unknowns-informed ZS-OSR classifier. Extensive empirical
results show that our method 1) substantially outperforms the combined
solutions in detecting the unknown classes while retaining the classification
accuracy on the unseen classes and 2) achieves similar superiority under
generalized ZS-OSR settings.
- Abstract（参考訳）: Zero-Shot Learning (ZSL)は、トレーニング中に提示されるサイドセマンティック情報のみを用いて、目に見えないクラスのサンプルを分類することに焦点を当てている。
未知のクラスのテストサンプル(例:画像)があり、トレーニング中にサンプルやその側の意味情報が知られていない実生活のオープンワールドシナリオを扱うことはできない。
Open-Set Recognition (OSR) は未知のクラス問題に対処することを目的としているが、既存のOSRメソッドは未確認クラスのセマンティック情報をモデル化するために設計されていない。
このZSLとOSRを組み合わせた問題に対処するために、ZSL設定下でモデルが訓練される「Zero-Shot Open-Set Recognition」(ZS-OSR)の場合を考えるが、推論中に未知のクラスからのサンプルを拒否しながら、未確認クラスからのサンプルを正確に分類する必要がある。
ZSLタスクから適応した4つの広く使われているデータセットに対して、ZS-OSRタスクのための既存のZSLとOSRモデルを組み合わせるための大規模な実験を行い、ZS-OSRは、単純な組み合わせによるソリューションが、見知らぬクラスと未知のクラスを区別する上で、著しく機能することを明らかにする。
さらに,ZS-OSRに特化して設計された新しい手法を導入し,未知のクラスに対して,未知のクラスに対して逆意味的な埋め込みを生成し,未知のZS-OSR分類器を訓練する。
広範な実験結果から 我々の手法は
1)未知のクラスの分類精度を維持しつつ未知のクラスを検出する場合の組合せ解を実質的に上回る。
2) 一般化ZS-OSR設定において同様の優位性を実現する。
関連論文リスト
- Robust Semi-Supervised Learning for Self-learning Open-World Classes [5.714673612282175]
実世界のアプリケーションでは、ラベル付きデータは常にラベル付き集合に存在しないクラスを含んでいる。
本稿では,自己学習型オープンワールドクラス(SSOC)のためのオープンワールドSSL手法を提案する。
SSOCは、複数の人気のある分類ベンチマークで最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2024-01-15T09:27:46Z) - Semi-Supervised Learning in the Few-Shot Zero-Shot Scenario [14.916971861796384]
Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータの両方を利用して、モデルのパフォーマンスを向上させるフレームワークである。
既存のSSLメソッドを拡張し、特定のクラスが欠落している状況に対処するための一般的なアプローチを提案する。
実験の結果,最先端のSSL,オープンセットのSSL,オープンワールドのSSLメソッドと比較して,精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-08-27T14:25:07Z) - On the link between generative semi-supervised learning and generative
open-set recognition [0.0]
GAN(Generative Adversarial Network)における半教師付き学習(SSL)とオープンセット認識(OSR)の関係について検討する。
その結果,SSL-GAN は OSR-GAN とほぼ同じ結果となり,SSL-OSR リンクが証明された。
論文 参考訳（メタデータ） (2023-03-21T09:42:27Z) - The Devil is in the Wrongly-classified Samples: Towards Unified Open-set
Recognition [61.28722817272917]
Open-set Recognition (OSR) は、トレーニングプロセス中にクラスが見えないテストサンプルを特定することを目的としている。
近年,Unified Open-set Recognition (UOSR) が提案されている。
論文 参考訳（メタデータ） (2023-02-08T11:34:04Z) - Feature Decoupling in Self-supervised Representation Learning for Open
Set Recognition [0.0]
オープンセット認識(OSR)問題には,2段階のトレーニング戦略を用いる。
最初の段階では、既知のクラスから入力されたサンプルの内容の特徴を抽出する自己教師付き特徴分離手法を導入する。
第2段階では、コンテンツ機能とクラスラベルを微調整します。
実験の結果,提案手法は画像やマルウェアのOSR問題において他者よりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-09-28T19:21:53Z) - OpenLDN: Learning to Discover Novel Classes for Open-World
Semi-Supervised Learning [110.40285771431687]
半教師付き学習(SSL)は、教師付き学習のアノテーションボトルネックに対処する主要なアプローチの1つである。
最近のSSLメソッドは、ラベルなしデータの大規模なリポジトリを有効活用して、ラベル付きデータの小さなセットに依存しながら、パフォーマンスを向上させることができる。
この研究は、ペアワイズ類似度損失を利用して新しいクラスを発見するOpenLDNを導入している。
論文 参考訳（メタデータ） (2022-07-05T18:51:05Z) - Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for
Open-Set Semi-Supervised Learning [101.28281124670647]
オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。
我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。
我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
論文 参考訳（メタデータ） (2021-08-12T09:14:44Z) - Counterfactual Zero-Shot and Open-Set Visual Recognition [95.43275761833804]
Zero-Shot Learning (ZSL) と Open-Set Recognition (OSR) の両方に対する新しい反実用フレームワークを提案する。
我々の考えは、目に見えないクラスのための生成されたサンプルは、しばしば真の分布から外れているという観察に由来する。
当社のフレームワークが見掛け/見当たらない不均衡を効果的に緩和し,全体的なパフォーマンスを大幅に向上させることを示す。
論文 参考訳（メタデータ） (2021-03-01T10:20:04Z) - Generalized Continual Zero-Shot Learning [7.097782028036196]
ゼロショット学習(ZSL)は、クラス記述に基づいて、見知らぬクラスから見つからないクラスに知識を移すことによって、目に見えないクラスを分類することを目的としている。
本稿では,タスクの形式でクラスが順次到着するZSLについて,より汎用的で実用的な設定を提案する。
我々は、知識蒸留と、それ以前のタスクからの少数のサンプルの保存と再生を、小さなエピソードメモリを用いて行っている。
論文 参考訳（メタデータ） (2020-11-17T08:47:54Z) - Information Bottleneck Constrained Latent Bidirectional Embedding for
Zero-Shot Learning [59.58381904522967]
本稿では,密な視覚-意味的結合制約を持つ埋め込み型生成モデルを提案する。
視覚空間と意味空間の両方の埋め込みパラメトリック分布を校正する統合潜在空間を学習する。
本手法は, 画像のラベルを生成することにより, トランスダクティブZSL設定に容易に拡張できる。
論文 参考訳（メタデータ） (2020-09-16T03:54:12Z) - Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。
CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。
複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2020-08-12T06:23:49Z)
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。