論文の概要: Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects

• arxiv url: http://arxiv.org/abs/2401.17766v1
• Date: Wed, 31 Jan 2024 11:51:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 14:53:38.141968
• Title: Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects
• Title（参考訳）: きめ細かいゼロショット学習:進歩、挑戦、展望
• Authors: Jingcai Guo, Zhijie Rao, Song Guo, Jingren Zhou, Dacheng Tao
• Abstract要約: ゼロショット学習(ZSL)における微粒化解析の最近の進歩を概観する。 まず、各カテゴリの詳細な分析を行い、既存の手法と手法の分類について述べる。 次に、ベンチマークを要約し、公開データセット、モデル、実装、およびライブラリとしての詳細について説明する。
• 参考スコア（独自算出の注目度）: 86.52677734698656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent zero-shot learning (ZSL) approaches have integrated fine-grained analysis, i.e., fine-grained ZSL, to mitigate the commonly known seen/unseen domain bias and misaligned visual-semantics mapping problems, and have made profound progress. Notably, this paradigm differs from existing close-set fine-grained methods and, therefore, can pose unique and nontrivial challenges. However, to the best of our knowledge, there remains a lack of systematic summaries of this topic. To enrich the literature of this domain and provide a sound basis for its future development, in this paper, we present a broad review of recent advances for fine-grained analysis in ZSL. Concretely, we first provide a taxonomy of existing methods and techniques with a thorough analysis of each category. Then, we summarize the benchmark, covering publicly available datasets, models, implementations, and some more details as a library. Last, we sketch out some related applications. In addition, we discuss vital challenges and suggest potential future directions.
• Abstract（参考訳）: 最近のゼロショット学習(ZSL)アプローチは、よく知られた領域バイアスを緩和し、視覚・セマンティックスマッピングの問題と一致しないために、きめ細かい分析、すなわち、きめ細かなZSLを統合している。 特に、このパラダイムは既存の密集した細粒度メソッドとは異なるため、独特で非自明な課題を提起することができる。 しかし、私たちの知る限りでは、このトピックの体系的な要約はいまだに欠けている。 本稿では,この領域の文献を豊かにし,今後の展開のための健全な基盤を提供するため,zslにおける粒度解析の最近の進歩を概観する。 具体的には,まず,各カテゴリーを徹底的に分析した既存の手法と手法の分類法を提案する。 次に、ベンチマークを要約し、公開利用可能なデータセット、モデル、実装、およびライブラリとしての詳細を取り上げる。 最後に、関連するアプリケーションをスケッチします。 さらに,重要な課題を議論し,今後の方向性を示唆する。

関連論文リスト

• Self-Supervised Learning for Text Recognition: A Critical Survey [11.599791967838481]
  テキスト認識(英語: Text Recognition, TR)とは、画像からテキスト情報を取得することに焦点を当てた研究領域である。 ディープニューラルネットワーク(DNN)のトレーニングにラベルなしデータの大規模なデータセットを活用することで、自己監視学習(SSL)が注目されている。 本稿では,TR分野におけるSSLの利用を集約し,その技術の現状を概観する。
  論文  参考訳（メタデータ） (2024-07-29T11:11:17Z)
• Review of Zero-Shot and Few-Shot AI Algorithms in The Medical Domain [3.196204482566275]
  本稿では,少数ショット,ゼロショット,正規物体検出の異なる手法について検討した。 ほとんどショットがなく、ゼロショットで、通常のオブジェクト検出は、新しいフレームワークやテクニックを通じて、フィールドの進化に共通の焦点をあてている。
  論文  参考訳（メタデータ） (2024-06-23T15:45:32Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Continual Zero-Shot Learning through Semantically Guided Generative Random Walks [56.65465792750822]
  生成モデルを利用して、学習中に見えない情報が提供されない連続ゼロショット学習の課題に対処する。 本稿では,新しい意味誘導型生成ランダムウォーク(GRW)損失を用いた学習アルゴリズムを提案する。 提案アルゴリズムは,AWA1,AWA2,CUB,SUNデータセットの最先端性能を達成し,既存のCZSL手法を3～7%上回る結果を得た。
  論文  参考訳（メタデータ） (2023-08-23T18:10:12Z)
• Few-shot Class-incremental Learning: A Survey [16.729567512584822]
  FSCIL(Few-shot Class-Incremental Learning)は機械学習(ML)においてユニークな課題を提示する 本稿は、FSCILの総合的かつ体系的なレビューを提供することを目的としている。
  論文  参考訳（メタデータ） (2023-08-13T13:01:21Z)
• Semi-Supervised and Unsupervised Deep Visual Learning: A Survey [76.2650734930974]
  半教師なし学習と教師なし学習は、ラベルなしの視覚データから学ぶための有望なパラダイムを提供する。 本稿では, 半教師付き学習(SSL)と非教師付き学習(UL)の先進的な深層学習アルゴリズムについて, 統一的な視点による視覚的認識について概説する。
  論文  参考訳（メタデータ） (2022-08-24T04:26:21Z)
• A Comprehensive Survey of Few-shot Learning: Evolution, Applications, Challenges, and Opportunities [5.809416101410813]
  効果的な学習方法としてショットラーニングが登場し、大きな可能性を秘めている。 我々は過去3年間に発行されたFSLに関する200以上の最新の論文を広範囲に調査した。 本稿では,知識の抽象化レベルに応じて既存の作業を分類する新しい分類法を提案する。
  論文  参考訳（メタデータ） (2022-05-13T16:24:35Z)
• Recent Few-Shot Object Detection Algorithms: A Survey with Performance Comparison [54.357707168883024]
  Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。 FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。 本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
  論文  参考訳（メタデータ） (2022-03-27T04:11:28Z)
• Self-supervised on Graphs: Contrastive, Generative,or Predictive [25.679620842010422]
  SSL(Self-supervised Learning)は、よく設計されたプリテキストタスクを通じて有益な知識を抽出するための新しいパラダイムとして登場しています。 既存のグラフSSLメソッドは、コントラスト、生成、予測の3つのカテゴリに分けられる。 また、一般的なデータセット、評価メトリクス、下流タスク、さまざまなアルゴリズムのオープンソース実装をまとめています。
  論文  参考訳（メタデータ） (2021-05-16T03:30:03Z)
• On Data-Augmentation and Consistency-Based Semi-Supervised Learning [77.57285768500225]
  最近提案された整合性に基づく半教師付き学習(SSL)手法は,複数のSSLタスクにおいて最先端技術である。 これらの進歩にもかかわらず、これらの手法の理解はまだ比較的限られている。
  論文  参考訳（メタデータ） (2021-01-18T10:12:31Z)

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。