論文の概要: MultiCaM-Vis: Visual Exploration of Multi-Classification Model with High
Number of Classes
- arxiv url: http://arxiv.org/abs/2309.05676v1
- Date: Sat, 9 Sep 2023 08:55:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 15:49:50.345037
- Title: MultiCaM-Vis: Visual Exploration of Multi-Classification Model with High
Number of Classes
- Title（参考訳）: MultiCaM-Vis: クラス数の多い複数分類モデルの視覚的探索
- Authors: Syed Ahsan Ali Dilawer, Shah Rukh Humayoun
- Abstract要約: 我々はMultiCaM-Visと呼ばれるインタラクティブなビジュアル分析ツールを提示する。
Emphoverview+detailスタイルの並列座標ビューと、クラスレベルのインスタンスのミス分類の探索と検査のためのコードダイアグラムを提供する。
- 参考スコア（独自算出の注目度）: 0.2900810893770134
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visual exploration of multi-classification models with large number of
classes would help machine learning experts in identifying the root cause of a
problem that occurs during learning phase such as miss-classification of
instances. Most of the previous visual analytics solutions targeted only a few
classes. In this paper, we present our interactive visual analytics tool,
called MultiCaM-Vis, that provides \Emph{overview+detail} style parallel
coordinate views and a Chord diagram for exploration and inspection of
class-level miss-classification of instances. We also present results of a
preliminary user study with 12 participants.
- Abstract（参考訳）: 多数のクラスを持つ多重分類モデルの視覚的な探索は、機械学習の専門家がインスタンスのミス分類のような学習フェーズで発生する問題の根本原因を特定するのに役立つ。
以前のビジュアル分析ソリューションのほとんどは、少数のクラスのみを対象としていた。
本稿では,対話型ビジュアル分析ツールであるmulticam-visについて紹介する。このツールは,インスタンスのクラスレベルのミス分類の探索と検査のためのコードダイアグラムと,<emph{overview+detail}スタイルの並列座標ビューを提供する。
また,12名を対象に予備的なユーザ調査を行った。
関連論文リスト
- Investigating Self-Supervised Methods for Label-Efficient Learning [27.029542823306866]
低撮影能力のためのコントラスト学習、クラスタリング、マスク付き画像モデリングなど、さまざまな自己教師付きプレテキストタスクについて検討する。
マスク画像モデリングとクラスタリングの両方をプリテキストタスクとして含むフレームワークを導入する。
実規模データセット上でモデルをテストした場合,マルチクラス分類,マルチラベル分類,セマンティックセマンティックセグメンテーションにおける性能向上を示す。
論文 参考訳（メタデータ） (2024-06-25T10:56:03Z) - Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。
マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。
MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
論文 参考訳（メタデータ） (2024-03-21T08:08:31Z) - Circles: Inter-Model Comparison of Multi-Classification Problems with
High Number of Classes [0.24554686192257422]
本稿では,対話型視覚分析ツールCirclesについて,多数の分類モデルと1つの視点における1Kクラスとの視覚的モデル間比較を行う。
プロトタイプでは,9種類のモデルと1Kクラスを比較した。
論文 参考訳（メタデータ） (2023-09-08T19:39:46Z) - Cross-view Graph Contrastive Representation Learning on Partially
Aligned Multi-view Data [52.491074276133325]
マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。
本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。
複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
論文 参考訳（メタデータ） (2022-11-08T09:19:32Z) - Elimination of Non-Novel Segments at Multi-Scale for Few-Shot
Segmentation [0.0]
ほとんどショットのセグメンテーションは、トレーニング中に目に見えないクラスからクエリイメージをセグメンテーションする一般化モデルを考案することを目的としている。
PASCAL-5iとCOCO-20iの両方のデータセット上で,2つの重要な問題に同時に対処し,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-04T07:52:54Z) - Multi-Modal Few-Shot Object Detection with Meta-Learning-Based
Cross-Modal Prompting [77.69172089359606]
本稿では,マルチモーダルな複数ショットオブジェクト検出(FSOD)について,少数ショット視覚例とクラスセマンティック情報の両方を用いて検討する。
我々のアプローチは、(メトリックベース)メタラーニングとプロンプトベースラーニングの高レベルな概念的類似性によって動機付けられている。
提案するマルチモーダルFSODモデルを,複数の複数ショットオブジェクト検出ベンチマークで総合的に評価し,有望な結果を得た。
論文 参考訳（メタデータ） (2022-04-16T16:45:06Z) - A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。
提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。
本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
論文 参考訳（メタデータ） (2020-07-03T18:23:39Z) - Generalized Multi-view Shared Subspace Learning using View Bootstrapping [43.027427742165095]
マルチビュー学習の主な目的は、下流学習タスクを改善するために、オブジェクト/イベントのクラスの複数の並列ビューに共通する情報をモデル化することである。
本稿では,多視点相関に基づくニューラルな手法を提案する。
音声認識、3次元オブジェクト分類、ポーズ不変顔認識の実験は、多数のビューをモデル化するためのビューブートストラップの堅牢性を示している。
論文 参考訳（メタデータ） (2020-05-12T20:35:14Z) - DiVA: Diverse Visual Feature Aggregation for Deep Metric Learning [83.48587570246231]
視覚的類似性は多くのコンピュータビジョンアプリケーションにおいて重要な役割を果たす。
ディープ・メトリック・ラーニング(DML)は、そのような類似性を学ぶための強力なフレームワークである。
我々は,概念的に異なるデータ関係を対象とする複数の補完学習タスクを提案し,研究する。
我々は、訓練信号を集約する単一モデルを学び、その結果、強力な一般化と最先端のパフォーマンスが得られる。
論文 参考訳（メタデータ） (2020-04-28T12:26:50Z) - Exploit Clues from Views: Self-Supervised and Regularized Learning for
Multiview Object Recognition [66.87417785210772]
本研究では,マルチビュー自己教師型学習(MV-SSL)の問題点について検討する。
対象不変」表現を追求し,自己指導型学習のための新しい代理課題を提案する。
実験の結果,ビュー不変プロトタイプ埋め込み(VISPE)による認識と検索は,他の自己教師あり学習方法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-28T07:06:06Z)
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。