論文の概要: OpenIncrement: A Unified Framework for Open Set Recognition and Deep
Class-Incremental Learning
- arxiv url: http://arxiv.org/abs/2310.03848v1
- Date: Thu, 5 Oct 2023 19:08:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 19:00:46.562546
- Title: OpenIncrement: A Unified Framework for Open Set Recognition and Deep
Class-Incremental Learning
- Title(参考訳): OpenIncrement: オープンセット認識とディープクラスインクリメンタル学習のための統一フレームワーク
- Authors: Jiawen Xu, Claas Grohnfeldt, Odej Kao
- Abstract要約: オープンな集合認識と統合された深層学習フレームワークを提案する。
提案手法は,クラスに学習した特徴を改良し,距離に基づくオープンセット認識に適応させる。
実験により,本手法が最先端のインクリメンタル学習技術より優れていることを確認した。
- 参考スコア(独自算出の注目度): 4.278434830731282
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In most works on deep incremental learning research, it is assumed that novel
samples are pre-identified for neural network retraining. However, practical
deep classifiers often misidentify these samples, leading to erroneous
predictions. Such misclassifications can degrade model performance. Techniques
like open set recognition offer a means to detect these novel samples,
representing a significant area in the machine learning domain.
In this paper, we introduce a deep class-incremental learning framework
integrated with open set recognition. Our approach refines class-incrementally
learned features to adapt them for distance-based open set recognition.
Experimental results validate that our method outperforms state-of-the-art
incremental learning techniques and exhibits superior performance in open set
recognition compared to baseline methods.
- Abstract(参考訳): ディープインクリメンタル学習研究のほとんどの研究において、新しいサンプルはニューラルネットワークの再トレーニングのために事前に同定されていると仮定されている。
しかし、実際の深層分類器はしばしばこれらのサンプルを誤識別し、誤った予測を導いた。
このような誤分類はモデルの性能を低下させる。
open set recognitionのような技術は、これらの新しいサンプルを検出する手段を提供し、機械学習領域の重要な領域を表している。
本稿では,オープンな集合認識と統合された深層学習フレームワークを提案する。
提案手法は,クラスに学習した特徴を改良し,距離に基づくオープンセット認識に適用する。
実験により,本手法は最先端の漸進的学習技術より優れ,ベースライン法よりもオープンセット認識において優れた性能を示した。
関連論文リスト
- Effects of Common Regularization Techniques on Open-Set Recognition [1.8749305679160366]
正規化手法はオープンセット認識性能を大幅に向上させることができることを示す。
精度とオープンセットのパフォーマンスの関係に関する新たな洞察を提供する。
論文 参考訳(メタデータ) (2024-09-03T21:09:26Z) - Open Set Recognition for Random Forest [4.266270583680947]
実世界の分類タスクでは、全てのクラスを消費するトレーニング例を収集することは困難である。
ランダム森林に対するオープンセット認識機能を実現するための新しい手法を提案する。
提案手法は,合成データセットと実世界のデータセットの両方で検証される。
論文 参考訳(メタデータ) (2024-08-01T04:21:14Z) - Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。
本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。
複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
論文 参考訳(メタデータ) (2022-07-05T16:25:34Z) - Open-set Recognition via Augmentation-based Similarity Learning [11.706887820422002]
ペアの類似点を学習することで未知(または見知らぬクラスサンプル)を検出することを提案する。
我々はOPG(Pseudo unseen data generationに基づくオープンセット認識)と呼ぶ。
論文 参考訳(メタデータ) (2022-03-24T17:49:38Z) - Bayesian Embeddings for Few-Shot Open World Recognition [60.39866770427436]
埋め込みベースの数ショット学習アルゴリズムをオープンワールド認識設定に拡張する。
当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。
論文 参考訳(メタデータ) (2021-07-29T00:38:47Z) - Opening Deep Neural Networks with Generative Models [2.0962464943252934]
本稿では,事前学習したDeep Neural Networksに付加して視覚認識を行うことのできる,シンプルでプラグアンドプレイなオープンセット認識モジュールGeMOSを提案する。
GeMOSフレームワークは、事前訓練された畳み込みニューラルネットワークと、オープンセット認識のための生成モデルを組み合わせて、サンプル毎にオープンセットスコアを抽出する。
提案手法を最先端のオープンセットアルゴリズムと比較して徹底的に評価し,GeMOSがより複雑でコストのかかるモデルよりも優れているか,あるいは統計的に区別できないかを見出した。
論文 参考訳(メタデータ) (2021-05-20T20:02:29Z) - Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。
最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。
本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
論文 参考訳(メタデータ) (2021-04-19T09:39:30Z) - 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) - Open-Set Recognition with Gaussian Mixture Variational Autoencoders [91.3247063132127]
推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。
我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。
我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
論文 参考訳(メタデータ) (2020-06-03T01:15:19Z) - Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
オープンセット認識の問題点を考察する。
新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
論文 参考訳(メタデータ) (2020-05-27T23:49:26Z) - Conditional Gaussian Distribution Learning for Open Set Recognition [10.90687687505665]
オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。
未知のサンプルを検出することに加えて、異なる潜伏特徴を異なるガウスモデルに近似させることにより、既知のサンプルを分類することもできる。
いくつかの標準画像に対する実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。
論文 参考訳(メタデータ) (2020-03-19T14:32:08Z)
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。