論文の概要: Delve into Base-Novel Confusion: Redundancy Exploration for Few-Shot Class-Incremental Learning
- arxiv url: http://arxiv.org/abs/2405.04918v1
- Date: Wed, 8 May 2024 09:38:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-09 14:54:31.157648
- Title: Delve into Base-Novel Confusion: Redundancy Exploration for Few-Shot Class-Incremental Learning
- Title（参考訳）: ベース・ノーベル・コンフュージョンへ向けたDelve:Few-Shot Class-Incremental Learningのための冗長探索
- Authors: Haichen Zhou, Yixiong Zou, Ruixuan Li, Yuhua Li, Kui Xiao,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.729669566501103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot class-incremental learning (FSCIL) aims to acquire knowledge from novel classes with limited samples while retaining information about base classes. Existing methods address catastrophic forgetting and overfitting by freezing the feature extractor during novel-class learning. However, these methods usually tend to cause the confusion between base and novel classes, i.e., classifying novel-class samples into base classes. In this paper, we delve into this phenomenon to study its cause and solution. We first interpret the confusion as the collision between the novel-class and the base-class region in the feature space. Then, we find the collision is caused by the label-irrelevant redundancies within the base-class feature and pixel space. Through qualitative and quantitative experiments, we identify this redundancy as the shortcut in the base-class training, which can be decoupled to alleviate the collision. Based on this analysis, to alleviate the collision between base and novel classes, we propose a method for FSCIL named Redundancy Decoupling and Integration (RDI). RDI first decouples redundancies from base-class space to shrink the intra-base-class feature space. Then, it integrates the redundancies as a dummy class to enlarge the inter-base-class feature space. This process effectively compresses the base-class feature space, creating buffer space for novel classes and alleviating the model's confusion between the base and novel classes. Extensive experiments across benchmark datasets, including CIFAR-100, miniImageNet, and CUB-200-2011 demonstrate that our method achieves state-of-the-art performance.
- Abstract（参考訳）: FSCIL (Few-shot class-incremental Learning) は,知識の獲得を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しいクラスから獲得することを目的としている。
既存の方法は、新しいクラス学習中に特徴抽出器を凍結することで破滅的な忘れと過度に適合する。
しかしながら、これらの手法は、通常、ベースクラスと新しいクラス、すなわち、新しいクラスのサンプルをベースクラスに分類する、混乱を引き起こす傾向にある。
本稿では,この現象を解明し,その原因と解決法について検討する。
まず、特徴空間における新規クラスと基本クラス領域の衝突として、混乱を解釈する。
そして,この衝突は,基本クラス特徴量と画素空間内のラベル関係の冗長性によって引き起こされることがわかった。
定性的および定量的な実験を通じて、この冗長性をベースクラストレーニングのショートカットと同定し、衝突を軽減するために分離することができる。
そこで本研究では,基本クラスと新クラスの衝突を軽減するために,冗長デカップリング・統合(RDI)と呼ばれるFSCILの手法を提案する。
RDIはまず、ベースクラス内の特徴空間を縮小するために、ベースクラス空間から冗長性を分離する。
そして、冗長性をダミークラスとして統合し、ベースクラスの機能空間を拡大します。
このプロセスは、ベースクラスの特徴空間を効果的に圧縮し、新しいクラスのためのバッファ空間を作成し、ベースクラスと新しいクラスの間のモデルの混乱を軽減する。
CIFAR-100, miniImageNet, CUB-200-2011 など, ベンチマークデータセット間の大規模な実験により, 本手法が最先端の性能を実現することを示す。
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) - 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) - Neural Collapse Inspired Feature-Classifier Alignment for Few-Shot Class
Incremental Learning [120.53458753007851]
FSCIL(Few-shot class-incremental Learning)は、新しいセッションにおいて、新しいクラスごとにいくつかのトレーニングサンプルしかアクセスできないため、難しい問題である。
我々は最近発見された神経崩壊現象にインスパイアされたFSCILのこの不整合ジレンマに対処する。
我々は、FSCILのための神経崩壊誘発フレームワークを提案する。MiniImageNet、CUB-200、CIFAR-100データセットの実験により、提案したフレームワークが最先端のパフォーマンスより優れていることを示す。
論文 参考訳（メタデータ） (2023-02-06T18:39:40Z) - 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) - Class-incremental Novel Class Discovery [76.35226130521758]
クラス増進型新規クラス発見(class-iNCD)の課題について検討する。
基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。
3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
論文 参考訳（メタデータ） (2022-07-18T13:49:27Z) - Incremental Few-Shot Learning via Implanting and Compressing [13.122771115838523]
増分的なFew-Shot Learningは、いくつかの例から新しいクラスを継続的に学習するモデルを必要とする。
我々はtextbfImplanting と textbfCompressing と呼ばれる2段階の学習戦略を提案する。
具体的には、textbfImplantingのステップにおいて、新しいクラスのデータ分布をデータ・アサンダント・ベース・セットの助けを借りて模倣することを提案する。
textbfのステップでは、特徴抽出器を各新規クラスを正確に表現し、クラス内コンパクト性を高める。
論文 参考訳（メタデータ） (2022-03-19T11:04:43Z) - 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) - Bridging Non Co-occurrence with Unlabeled In-the-wild Data for
Incremental Object Detection [56.22467011292147]
物体検出における破滅的忘れを緩和するために,いくつかの漸進的学習法が提案されている。
有効性にもかかわらず、これらの手法は新規クラスのトレーニングデータにラベルのないベースクラスの共起を必要とする。
そこで本研究では,新たな授業の訓練において,欠落した基本クラスが原因で生じる非発生を補うために,未ラベルのインザ・ザ・ワイルドデータを使用することを提案する。
論文 参考訳（メタデータ） (2021-10-28T10:57:25Z)
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。