論文の概要: Semi Supervised Meta Learning for Spatiotemporal Learning

• arxiv url: http://arxiv.org/abs/2308.01916v1
• Date: Sun, 9 Jul 2023 04:09:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 02:05:57.749420
• Title: Semi Supervised Meta Learning for Spatiotemporal Learning
• Title（参考訳）: 時空間学習のための半教師付きメタ学習
• Authors: Faraz Waseem, Pratyush Muthukumar
• Abstract要約: メタラーニングを既存の表現学習アーキテクチャに適用することの影響を理解する。 メモリ拡張ニューラルネットワーク(MANN)アーキテクチャを用いて,メタラーニングをフレームワークに適用する。
• 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: We approached the goal of applying meta-learning to self-supervised masked autoencoders for spatiotemporal learning in three steps. Broadly, we seek to understand the impact of applying meta-learning to existing state-of-the-art representation learning architectures. Thus, we test spatiotemporal learning through: a meta-learning architecture only, a representation learning architecture only, and an architecture applying representation learning alongside a meta learning architecture. We utilize the Memory Augmented Neural Network (MANN) architecture to apply meta-learning to our framework. Specifically, we first experiment with applying a pre-trained MAE and fine-tuning on our small-scale spatiotemporal dataset for video reconstruction tasks. Next, we experiment with training an MAE encoder and applying a classification head for action classification tasks. Finally, we experiment with applying a pre-trained MAE and fine-tune with MANN backbone for action classification tasks.
• Abstract（参考訳）: メタラーニングを自己指導型マスク付きオートエンコーダに適用し,時空間学習を3段階に分けた。 我々は,メタラーニングを既存の最先端表現学習アーキテクチャに適用することの影響を広く理解しようと試みている。 そこで我々は,メタラーニングアーキテクチャのみ,表現学習アーキテクチャのみ,表現学習をメタラーニングアーキテクチャとともに適用するアーキテクチャという,時空間学習をテストする。 メモリ拡張ニューラルネットワーク(MANN)アーキテクチャを用いて、メタ学習をフレームワークに適用する。 具体的には,事前学習したMAEを適用して,ビデオ再構成作業のための小規模な時空間データセットを微調整する実験を行った。 次に、maeエンコーダを訓練し、アクション分類タスクに分類ヘッドを適用する実験を行う。 最後に、動作分類タスクに事前訓練されたMAEとMANNバックボーンの微調整を適用する実験を行った。

関連論文リスト

• Towards Few-Annotation Learning in Computer Vision: Application to Image Classification and Object Detection tasks [3.5353632767823506]
  本論文では,限定ラベルを用いた機械学習の理論的,アルゴリズム的,実験的貢献について述べる。 最初のコントリビューションでは、Few-Shot分類で使われる人気のあるメタラーニングアルゴリズムの理論と実践のギャップを埋めることに興味がある。 トランスフォーマーアーキテクチャに基づくオブジェクト検出器のトレーニングにおいて,ラベルのないデータを活用するために,教師なし事前学習と半教師付き学習の両方を提案する。
  論文  参考訳（メタデータ） (2023-11-08T18:50:04Z)
• Learning to Learn from APIs: Black-Box Data-Free Meta-Learning [95.41441357931397]
  データフリーなメタラーニング(DFML)は、トレーニングデータにアクセスせずに事前訓練されたモデルの集合からメタラーニングすることで、新しいタスクの効率的な学習を可能にすることを目的としている。 既存のDFMLの作業は、(i)ホワイトボックスと(ii)小規模事前訓練モデルからしかメタ学習できない。 ブラックボックスAPIの集合から単一のモデルへ,より一般的なメタ知識を伝達するための,バイレベルデータフリーなメタ知識蒸留(BiDf-MKD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T18:00:12Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Incremental Learning with Differentiable Architecture and Forgetting Search [3.6868861317674524]
  本研究では,NASを漸進学習に活用することで,分類タスクの性能向上が期待できることを示す。 本手法はRF信号と画像分類タスクの両方で評価し,最先端手法よりも最大10%の性能向上を達成できることを実証した。
  論文  参考訳（メタデータ） (2022-05-19T21:47:26Z)
• Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
  数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。 我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。 我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
  論文  参考訳（メタデータ） (2020-10-01T15:59:31Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)
• Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? [72.00712736992618]
  メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。 追加の増量は自己蒸留によって達成できる。 我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
  論文  参考訳（メタデータ） (2020-03-25T17:58:42Z)
• Following Instructions by Imagining and Reaching Visual Goals [8.19944635961041]
  本研究では,空間的推論を用いて時間的に拡張されたタスクを学習するための新しいフレームワークを提案する。 本フレームワークは生の画素画像上で動作し,事前の言語的知識や知覚的知識を前提とせず,本質的なモチベーションを通じて学習する。 シミュレーションによる対話型3D環境において,ロボットアームを用いた2つの環境で本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-01-25T23:26:56Z)
• Automated Relational Meta-learning [95.02216511235191]
  本稿では,クロスタスク関係を自動的に抽出し,メタ知識グラフを構築する自動リレーショナルメタ学習フレームワークを提案する。 我々は,2次元玩具の回帰と少数ショット画像分類に関する広範な実験を行い,ARMLが最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-03T07:02:25Z)

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。