論文の概要: Generating Multi-Center Classifier via Conditional Gaussian Distribution

• arxiv url: http://arxiv.org/abs/2401.15942v1
• Date: Mon, 29 Jan 2024 08:06:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 15:40:10.823814
• Title: Generating Multi-Center Classifier via Conditional Gaussian Distribution
• Title（参考訳）: 条件付きガウス分布によるマルチセンター分類器の生成
• Authors: Zhemin Zhang, Xun Gong
• Abstract要約: 実世界のデータでは、1つのクラスは複数の局所的なクラスタ(例えば異なるポーズの鳥)を含むことができる。 各クラスに対して条件付きガウス分布を作成し、次に複数のサブセンターをサンプリングする。 このアプローチにより、モデルがクラス内の局所構造をより効率的にキャプチャできる。
• 参考スコア（独自算出の注目度）: 7.77615886942767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The linear classifier is widely used in various image classification tasks. It works by optimizing the distance between a sample and its corresponding class center. However, in real-world data, one class can contain several local clusters, e.g., birds of different poses. To address this complexity, we propose a novel multi-center classifier. Different from the vanilla linear classifier, our proposal is established on the assumption that the deep features of the training set follow a Gaussian Mixture distribution. Specifically, we create a conditional Gaussian distribution for each class and then sample multiple sub-centers from that distribution to extend the linear classifier. This approach allows the model to capture intra-class local structures more efficiently. In addition, at test time we set the mean of the conditional Gaussian distribution as the class center of the linear classifier and follow the vanilla linear classifier outputs, thus requiring no additional parameters or computational overhead. Extensive experiments on image classification show that the proposed multi-center classifier is a powerful alternative to widely used linear classifiers. Code available at https://github.com/ZheminZhang1/MultiCenter-Classifier.
• Abstract（参考訳）: 線形分類器は様々な画像分類タスクで広く使われている。 サンプルと対応するクラス中心の間の距離を最適化することで機能する。 しかし、実世界のデータでは、1つのクラスは複数の局所的なクラスタを含むことができる。 この複雑さに対処するため、我々は新しいマルチセンター分類器を提案する。 バニラ線形分類器と異なり、トレーニングセットの深い特徴がガウス混合分布に従うという仮定に基づいて提案手法を確立する。 具体的には,各クラスに対して条件付きガウス分布を作成し,その分布から複数の部分中心をサンプリングして線形分類器を拡張する。 このアプローチにより、クラス内の局所構造をより効率的に捉えることができる。 さらに,テスト時に条件付きガウス分布の平均を線形分類器のクラス中心とし,バニラ線形分類器の出力に従うことにより,追加パラメータや計算オーバーヘッドを必要としない。 画像分類に関する広範囲な実験により,提案手法は広く用いられている線形分類器の強力な代替手段であることが示された。 コードはhttps://github.com/zheminzhang1/multicenter-classifier。

関連論文リスト

• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• An Upper Bound for the Distribution Overlap Index and Its Applications [18.481370450591317]
  本稿では,2つの確率分布間の重なり関数に対する計算容易な上限を提案する。 提案した境界は、一級分類と領域シフト解析においてその値を示す。 私たちの研究は、重複ベースのメトリクスの応用を拡大する大きな可能性を示しています。
  論文  参考訳（メタデータ） (2022-12-16T20:02:03Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
  汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。 我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。 私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-10-15T13:30:12Z)
• The Fixed Sub-Center: A Better Way to Capture Data Complexity [1.583842747998493]
  我々は、F-SC(Fixed Sub-Center)を用いて、より離散的なサブセンターを構築することを提案する。 実験の結果,F-SCは画像分類と微粒化処理の精度を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2022-03-24T08:21:28Z)
• Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
  本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。 提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
  論文  参考訳（メタデータ） (2021-10-09T00:00:16Z)
• Approximation and generalization properties of the random projection classification method [0.4604003661048266]
  ランダムな一次元特徴を閾値付けした低複素度分類器群について検討する。 特定の分類問題(例えば、大きな羅生門比を持つもの)に対して、ランダムにパラメータを選択することにより、一般化特性において潜在的に大きな利得がある。
  論文  参考訳（メタデータ） (2021-08-11T23:14:46Z)
• Optimal Linear Combination of Classifiers [0.0]
  1つの分類器を使うか、または1つの分類器を組み合わせるかは、機械学習の中心的なトピックである。 本稿では,分類タスクのバイアス分散フレームワークから導出した分類器の最適線形結合を求める手法を提案する。
  論文  参考訳（メタデータ） (2021-03-01T16:21:40Z)
• Minimum Variance Embedded Auto-associative Kernel Extreme Learning Machine for One-class Classification [1.4146420810689422]
  VAAKELMは、自己連想型カーネル極端学習マシンの拡張である。 アーキテクチャ内に最小分散情報を埋め込んで、クラス内の分散を減らす。 これは、一級分類に対する再構成に基づくアプローチに従い、再構成エラーを最小限にする。
  論文  参考訳（メタデータ） (2020-11-24T17:00:30Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Federated Learning with Only Positive Labels [71.63836379169315]
  FedAwS(Federated Averaging with Spreadout)という,正のラベルのみを用いたトレーニングのための汎用フレームワークを提案する。 理論的にも経験的にも、FedAwSは、ユーザが負のラベルにアクセス可能な従来の学習のパフォーマンスとほぼ一致していることを示す。
  論文  参考訳（メタデータ） (2020-04-21T23:35:02Z)

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。