Fugu-MT 論文翻訳(概要): Class Similarity Transition: Decoupling Class Similarities and Imbalance from Generalized Few-shot Segmentation

論文の概要: Class Similarity Transition: Decoupling Class Similarities and Imbalance from Generalized Few-shot Segmentation

arxiv url: http://arxiv.org/abs/2404.05111v1
Date: Mon, 8 Apr 2024 00:13:05 GMT
ステータス: 処理完了
システム内更新日: 2024-04-09 15:53:11.297322
Title: Class Similarity Transition: Decoupling Class Similarities and Imbalance from Generalized Few-shot Segmentation
Title（参考訳）: クラス類似性遷移:一般化Fewショットセグメンテーションからのクラス類似性と不均衡の分離
Authors: Shihong Wang, Ruixun Liu, Kaiyu Li, Jiawei Jiang, Xiangyong Cao,
Abstract要約: 本稿では, 基本クラスと新規クラスの関連性に着目し, 一般ファウショット(GFSS)の改良について述べる。まず,基本クラス知識を持つ新しいクラスを学習するための類似性遷移行列を提案する。次に、GFSSタスクにLDAM損失とトランスダクティブ推論を利用して、クラス不均衡の問題に対処する。
参考スコア（独自算出の注目度）: 17.33292771556997
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In Generalized Few-shot Segmentation (GFSS), a model is trained with a large corpus of base class samples and then adapted on limited samples of novel classes. This paper focuses on the relevance between base and novel classes, and improves GFSS in two aspects: 1) mining the similarity between base and novel classes to promote the learning of novel classes, and 2) mitigating the class imbalance issue caused by the volume difference between the support set and the training set. Specifically, we first propose a similarity transition matrix to guide the learning of novel classes with base class knowledge. Then, we leverage the Label-Distribution-Aware Margin (LDAM) loss and Transductive Inference to the GFSS task to address the problem of class imbalance as well as overfitting the support set. In addition, by extending the probability transition matrix, the proposed method can mitigate the catastrophic forgetting of base classes when learning novel classes. With a simple training phase, our proposed method can be applied to any segmentation network trained on base classes. We validated our methods on the adapted version of OpenEarthMap. Compared to existing GFSS baselines, our method excels them all from 3% to 7% and ranks second in the OpenEarthMap Land Cover Mapping Few-Shot Challenge at the completion of this paper. Code: https://github.com/earth-insights/ClassTrans
Abstract（参考訳）: Generalized Few-shot Segmentation (GFSS)では、モデルがベースクラスのサンプルの大きなコーパスで訓練され、新しいクラスの限られたサンプルに適合する。本稿では,基本クラスと新規クラスの関連性に着目し,GFSSを2つの側面で改善する。 1)新学級の学習を促進するため,基礎クラスと新学級の類似性をマイニングし, 2)サポートセットとトレーニングセットのボリューム差によるクラス不均衡の問題を軽減する。具体的には、まず、基本クラス知識を持つ新しいクラスを学習するための類似性遷移行列を提案する。次に,GFSSタスクにLDAM損失とトランスダクティブ推論を利用して,クラス不均衡の問題に対処し,サポートセットを過度に適合させる。また,確率遷移行列を拡張することにより,新しいクラスを学習する際に,基本クラスの破滅的な忘れを軽減できる。簡単なトレーニングフェーズで,提案手法をベースクラスでトレーニングされた任意のセグメンテーションネットワークに適用することができる。我々はOpenEarthMapの適応版にメソッドを検証した。既存のGFSSベースラインと比較すると,提案手法は3%から7%に拡張され,OpenEarthMap Land Cover Mapping Few-Shot Challengeでは2位にランクインしている。コード:https://github.com/earth-insights/ClassTrans

関連論文リスト

Covariance-based Space Regularization for Few-shot Class Incremental Learning [25.435192867105552]
FSCIL(Few-shot Class Incremental Learning)では,ラベル付きデータに制限のあるクラスを継続的に学習する必要がある。インクリメンタルセッションにおける限られたデータのため、モデルは新しいクラスを過度に適合させ、ベースクラスの破滅的な忘れを苦しむ傾向にある。最近の進歩は、基本クラス分布を制約し、新しいクラスの識別的表現を学習するプロトタイプベースのアプローチに頼っている。
論文参考訳（メタデータ） (2024-11-02T08:03:04Z)
Semantic Enhanced Few-shot Object Detection [37.715912401900745]
本稿では, セマンティックな埋め込みを利用してより優れた検出を行う, 微調整に基づくFSODフレームワークを提案する。提案手法は,各新規クラスが類似の基底クラスと混同されることなく,コンパクトな特徴空間を構築することを可能にする。
論文参考訳（メタデータ） (2024-06-19T12:40:55Z)
Delve into Base-Novel Confusion: Redundancy Exploration for Few-Shot Class-Incremental Learning [8.729669566501103]
授業増分学習は,基礎クラスに関する情報を保持しつつ,限られたサンプルを持つ新規クラスからの知識獲得を目的としている。既存のメソッドは通常、ベースクラスと新規クラスの混同を引き起こし、新しいクラスのサンプルをベースクラスに分類する。この混乱を軽減するために冗長デカップリングと統合(RDI)を提案する。
論文参考訳（メタデータ） (2024-05-08T09:38:16Z)
Few-Shot Class-Incremental Learning via Training-Free Prototype Calibration [67.69532794049445]
既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
論文参考訳（メタデータ） (2023-12-08T18:24:08Z)
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)
Adaptive Distribution Calibration for Few-Shot Learning with Hierarchical Optimal Transport [78.9167477093745]
本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
論文参考訳（メタデータ） (2022-10-09T02:32:57Z)
Few-Shot Object Detection via Association and DIscrimination [83.8472428718097]
AssociationとDIscriminationによるオブジェクト検出は、新しいクラスごとに2つのステップで識別可能な特徴空間を構築している。 Pascal VOCとMS-COCOデータセットの実験では、FADIは新しいSOTAパフォーマンスを実現し、ショット/スプリットのベースラインを+18.7で大幅に改善した。
論文参考訳（メタデータ） (2021-11-23T05:04:06Z)
Partial Is Better Than All: Revisiting Fine-tuning Strategy for Few-shot Learning [76.98364915566292]
一般的なプラクティスは、まずベースセット上でモデルをトレーニングし、その後、微調整によって新しいクラスに移行することである。本稿では,基本モデル内の特定の層を凍結あるいは微調整することにより,部分的知識の伝達を提案する。提案手法の有効性を実証するために, CUB と mini-ImageNet の広範な実験を行った。
論文参考訳（メタデータ） (2021-02-08T03:27:05Z)
Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
数発の分類問題の調査に2つの貢献をしている。本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
論文参考訳（メタデータ） (2020-08-10T11:28:52Z)

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。