論文の概要: TALDS-Net: Task-Aware Adaptive Local Descriptors Selection for Few-shot Image Classification

• arxiv url: http://arxiv.org/abs/2312.05449v1
• Date: Sat, 9 Dec 2023 03:33:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 20:46:30.821078
• Title: TALDS-Net: Task-Aware Adaptive Local Descriptors Selection for Few-shot Image Classification
• Title（参考訳）: TALDS-Net:Few-shot画像分類のためのタスク対応ローカル記述子の選択
• Authors: Qian Qiao, Yu Xie, Ziyin Zeng, Fanzhang Li
• Abstract要約: 少ない画像分類は、見知らぬ新しいクラスを少数のサンプルで分類することを目的としている。 近年の研究では、深部局所記述子は画像レベルの特徴に比べて表現能力が向上していることが示されている。 タスク対応型ローカル記述子選択ネットワーク(TALDS-Net)を提案する。
• 参考スコア（独自算出の注目度）: 6.777813518399343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot image classification aims to classify images from unseen novel classes with few samples. Recent works demonstrate that deep local descriptors exhibit enhanced representational capabilities compared to image-level features. However, most existing methods solely rely on either employing all local descriptors or directly utilizing partial descriptors, potentially resulting in the loss of crucial information. Moreover, these methods primarily emphasize the selection of query descriptors while overlooking support descriptors. In this paper, we propose a novel Task-Aware Adaptive Local Descriptors Selection Network (TALDS-Net), which exhibits the capacity for adaptive selection of task-aware support descriptors and query descriptors. Specifically, we compare the similarity of each local support descriptor with other local support descriptors to obtain the optimal support descriptor subset and then compare the query descriptors with the optimal support subset to obtain discriminative query descriptors. Extensive experiments demonstrate that our TALDS-Net outperforms state-of-the-art methods on both general and fine-grained datasets.
• Abstract（参考訳）: 少ない画像分類は、見知らぬ新しいクラスを少数のサンプルで分類することを目的としている。 最近の研究では、ディープローカルディスクリプタは画像レベルの機能に比べて表現能力が強化されていることが示されている。 しかし、既存のほとんどのメソッドは、すべてのローカルディスクリプタを採用するか、あるいは部分ディスクリプタを直接利用するかにのみ依存しているため、重要な情報が失われる可能性がある。 さらに、これらのメソッドは主に、サポート記述子を見下ろしながらクエリ記述子の選択を強調する。 本稿では,タスクアウェアサポート記述子とクエリ記述子を適応的に選択する能力を示す,新しいタスクアウェア対応ローカル記述子選択ネットワーク(talds-net)を提案する。 具体的には、各ローカルサポート記述子と他のローカルサポート記述子との類似性を比較し、最適なサポート記述子サブセットを取得し、その後、クエリ記述子と最適なサポートサブセットを比較して判別クエリ記述子を得る。 我々のTALDS-Netは、一般的なデータセットときめ細かいデータセットの両方で最先端の手法より優れています。

関連論文リスト

• Feature Aligning Few shot Learning Method Using Local Descriptors Weighted Rules [0.0]
  ラベル付きサンプルの限られた数を使用して、新しいカテゴリを識別することを含む分類はほとんどない。 本稿では,局所記述子重み付きルール(FAFD-LDWR)を用いたFew-shot学習手法を提案する。 ローカルディスクリプタの識別情報を可能な限り保存するために、クロスノーマライゼーション手法を少数ショット画像分類に革新的に導入し、サポートのキーローカルディスクリプタとクエリセットを整列させて、バックグラウンドノイズを除去することで分類性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-26T11:36:38Z)
• A Simple Task-aware Contrastive Local Descriptor Selection Strategy for Few-shot Learning between inter class and intra class [6.204356280380338]
  少ない画像分類は、ラベル付きサンプルの少ない新しいクラスを分類することを目的としている。 近年の研究では、深部局所記述子は表現能力に優れていた。 本稿では,タスク対応コントラスト型ローカル記述子選択ネットワーク(TCDSNet)を提案する。
  論文  参考訳（メタデータ） (2024-08-12T07:04:52Z)
• Residual Learning for Image Point Descriptors [56.917951170421894]
  本稿では,手作りの検出器とディスクリプタを用いて局所画像記述子を学習する,非常にシンプルで効果的な手法を提案する。 我々は,手書き記述子にすでに存在する知識を活用することで,最終記述子を最適化する。 本手法は,非微分関数を用いたアンサンブル学習や学習に応用できる可能性がある。
  論文  参考訳（メタデータ） (2023-12-24T12:51:30Z)
• PromptNER: A Prompting Method for Few-shot Named Entity Recognition via k Nearest Neighbor Search [56.81939214465558]
  本稿では,近距離探索による数発NERの新規プロンプト法であるPromptNERを提案する。 我々は、エンティティカテゴリ情報を含むプロンプトを使用してラベルのプロトタイプを構築する。 Few-NERDデータセットとCrossNERデータセットの広範な実験により,本モデルが最先端手法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-05-20T15:47:59Z)
• Learning-Based Dimensionality Reduction for Computing Compact and Effective Local Feature Descriptors [101.62384271200169]
  特徴の形でのイメージパッチの独特な表現は多くのコンピュータビジョンとロボティクスのタスクの重要な構成要素である。 マルチ層パーセプトロン(MLP)を用いて,低次元ながら高品質な記述子を抽出する。 視覚的ローカライゼーション、パッチ検証、画像マッチング、検索など、さまざまなアプリケーションについて検討する。
  論文  参考訳（メタデータ） (2022-09-27T17:59:04Z)
• Disentangled Feature Representation for Few-shot Image Classification [64.40410801469106]
  そこで本研究では,DFRと呼ばれる新しいDistangled Feature Representationフレームワークを提案する。 DFRは、分類枝によってモデル化される識別的特徴を、変動枝のクラス非関連成分から適応的に分離することができる。 一般的に、一般的な深層数ショット学習手法のほとんどが分類ブランチとしてプラグインできるため、DFRは様々な数ショットタスクのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2021-09-26T09:53:11Z)
• Learning and aggregating deep local descriptors for instance-level recognition [11.692327697598175]
  トレーニングは、正と負のイメージペアの例のみを必要とする。 推論では、ローカルディスクリプタはネットワークの内部コンポーネントのアクティベートによって提供される。 バックボーンネットワークがResNet18ほど小さい場合もあります。
  論文  参考訳（メタデータ） (2020-07-26T16:30:56Z)
• Online Invariance Selection for Local Feature Descriptors [93.32949876169785]
  現在の特徴記述子の制限は、一般化と差別力のトレードオフである。 本稿では,この制限を,局所的な記述子における不変性の分散と,その文脈に与えられた最も適切な不変性のオンライン選択によって克服することを提案する。 提案手法は,現在のディスクリプタの性能を向上し,複数のマッチングタスクにおいて最先端のディスクリプタより優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-17T14:08:22Z)
• D2D: Keypoint Extraction with Describe to Detect Approach [48.0325745125635]
  本稿では,ディスクリプタ空間内の情報を利用してキーポイント位置を提案する手法を提案する。 本稿では,まずキーポイント位置を記述し,次に検出することで,この過程を逆転する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-27T19:27:46Z)

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。