論文の概要: OpenGCD: Assisting Open World Recognition with Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2308.06926v1
• Date: Mon, 14 Aug 2023 04:10:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 14:39:12.698184
• Title: OpenGCD: Assisting Open World Recognition with Generalized Category Discovery
• Title（参考訳）: OpenGCD: 一般化カテゴリー発見によるオープンワールド認識を支援する
• Authors: Fulin Gao, Weimin Zhong, Zhixing Cao, Xin Peng, Zhi Li
• Abstract要約: 望ましいオープンワールド認識(OWR)システムは、3つのタスクを実行する必要がある。 上記の問題を逐次解決するために,3つの鍵となるアイデアを組み合わせたOpenGCDを提案する。 2つの標準分類ベンチマークと挑戦的なデータセットの実験は、OpenGCDが優れた互換性を提供するだけでなく、他のベースラインを大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 4.600906853436266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A desirable open world recognition (OWR) system requires performing three tasks: (1) Open set recognition (OSR), i.e., classifying the known (classes seen during training) and rejecting the unknown (unseen$/$novel classes) online; (2) Grouping and labeling these unknown as novel known classes; (3) Incremental learning (IL), i.e., continual learning these novel classes and retaining the memory of old classes. Ideally, all of these steps should be automated. However, existing methods mostly assume that the second task is completely done manually. To bridge this gap, we propose OpenGCD that combines three key ideas to solve the above problems sequentially: (a) We score the origin of instances (unknown or specifically known) based on the uncertainty of the classifier's prediction; (b) For the first time, we introduce generalized category discovery (GCD) techniques in OWR to assist humans in grouping unlabeled data; (c) For the smooth execution of IL and GCD, we retain an equal number of informative exemplars for each class with diversity as the goal. Moreover, we present a new performance evaluation metric for GCD called harmonic clustering accuracy. Experiments on two standard classification benchmarks and a challenging dataset demonstrate that OpenGCD not only offers excellent compatibility but also substantially outperforms other baselines. Code: https://github.com/Fulin-Gao/OpenGCD.
• Abstract（参考訳）: 望ましいオープンワールド認識(OWR)システムは、(1)オープンセット認識(OSR)、すなわち、既知のクラス(トレーニング中に見られるクラス)を分類し、未知クラス(未確認クラス)をオンラインに拒否すること、(2)これらの未知クラスを新しい既知のクラスとしてグループ化・ラベルすること、(3)インクリメンタルラーニング(IL)、すなわち、これらの新しいクラスを継続的に学習し、古いクラスの記憶を保持すること、の3つのタスクを実行する必要がある。 理想的には、これらのステップはすべて自動化されるべきです。 しかし、既存のメソッドでは、第2のタスクは手動で完全に実行されると想定されている。 このギャップを埋めるために、上記の問題を解決するために3つの重要なアイデアを組み合わせたOpenGCDを提案する。 (a) 分類器の予測の不確実性に基づいて,事例(未知又は具体的に知られている)の原点を得点する b) ラベルなしデータのグループ化を支援するために,初めて一般カテゴリディスカバリ(gcd)技術をowrに導入する。 (c) IL と GCD の円滑な実行には,多様性を目標とする各クラスに対して,同じ数の情報的例を保有する。 さらに,高調波クラスタリング精度と呼ばれるGCDの性能評価指標を提案する。 2つの標準分類ベンチマークと挑戦的なデータセットの実験は、OpenGCDが優れた互換性を提供するだけでなく、他のベースラインを大幅に上回っていることを示している。 コード:https://github.com/Fulin-Gao/OpenGCD。

関連論文リスト

• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• No Representation Rules Them All in Category Discovery [115.53747187400626]
  一般化カテゴリー発見(GCD)の課題に取り組む ラベル付きおよびアンラベル画像のデータセットが与えられた場合、そのタスクはすべての画像をアンラベル画像のサブセットにまとめることである。 カテゴリー発見のための合成データセット「Clevr-4」を提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:59:46Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• MetaGCD: Learning to Continually Learn in Generalized Category Discovery [26.732455383707798]
  事前に定義されたクラスでトレーニングされたモデルが、ラベルのないデータに絶えず遭遇する実世界のシナリオを考察する。 目標は、既知のクラスのパフォーマンスを維持しながら、新しいクラスを継続的に発見することである。 そこで我々はMetaGCDと呼ばれる手法を提案し,忘れることなく漸進的に発見する方法を学習する。
  論文  参考訳（メタデータ） (2023-08-21T22:16:49Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• Open-Set Automatic Target Recognition [52.27048031302509]
  オートマチックターゲット認識(Automatic Target Recognition、ATR)は、異なるセンサーから取得したデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。 既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。 ATRアルゴリズムのオープンセット認識機能を実現するためのオープンセット自動ターゲット認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-10T21:28:24Z)
• Open Long-Tailed Recognition in a Dynamic World [82.91025831618545]
  実世界のデータは、しばしば長い尾を持ち、(目に見えないクラスを持つ)オープンな分布を示す。 現実的な認識システムは、多数派(頭)クラスと少数派(尾)クラスの間でバランスを取り、分布を一般化し、見知らぬクラス(オープンクラス)のインスタンスで新規性を認める必要がある。 我々は,Open Long-Tailed Recognition++を,このような自然分布データからの学習として定義し,バランスの取れたテストセット上での分類精度を最適化する。
  論文  参考訳（メタデータ） (2022-08-17T15:22:20Z)
• Open-World Class Discovery with Kernel Networks [8.810079655531345]
  我々は,古クラスからのラベル付きトレーニングサンプルを考えると,ラベルなしテストサンプルから新しいクラスを見つける必要がある,オープンワールドクラスディスカバリー問題について検討する。 クラスディスカバリー・カーネル・ネットワーク・ with Expansion (CD-KNet-Exp) を提案する。 CD-KNet-Expは、3つの公開ベンチマークデータセットと、現実世界の無線周波数フィンガープリントデータセットで優れたパフォーマンスを示します。
  論文  参考訳（メタデータ） (2020-12-13T04:21:39Z)

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。