論文の概要: The Championship-Winning Solution for the 5th CLVISION Challenge 2024

• arxiv url: http://arxiv.org/abs/2406.16615v1
• Date: Mon, 24 Jun 2024 12:55:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-25 14:44:42.819188
• Title: The Championship-Winning Solution for the 5th CLVISION Challenge 2024
• Title（参考訳）: 第5回 CLVISION Challenge 2024 のチャンピオンシップ・ウィンニング・ソリューション
• Authors: Sishun Pan, Tingmin Li, Yang Yang,
• Abstract要約: 第5回CLVision Challengeでは,従来の漸進的学習を超越した,独特な課題を提示した。 我々のアプローチは、各タスクに対して独立したパラメータ空間を割り当てるためのWinning Subnetworksに基づいている。 推論段階では、特定のサンプルの特定のクラスに対する予測が、そのクラスに対応する異なるワークの平均ロジットとなる、ワーク間の相互作用戦略を考案した。
• 参考スコア（独自算出の注目度）: 3.2899630403451985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce our approach to the 5th CLVision Challenge, which presents distinctive challenges beyond traditional class incremental learning. Unlike standard settings, this competition features the recurrence of previously encountered classes and includes unlabeled data that may contain Out-of-Distribution (OOD) categories. Our approach is based on Winning Subnetworks to allocate independent parameter spaces for each task addressing the catastrophic forgetting problem in class incremental learning and employ three training strategies: supervised classification learning, unsupervised contrastive learning, and pseudo-label classification learning to fully utilize the information in both labeled and unlabeled data, enhancing the classification performance of each subnetwork. Furthermore, during the inference stage, we have devised an interaction strategy between subnetworks, where the prediction for a specific class of a particular sample is the average logits across different subnetworks corresponding to that class, leveraging the knowledge learned from different subnetworks on recurring classes to improve classification accuracy. These strategies can be simultaneously applied to the three scenarios of the competition, effectively solving the difficulties in the competition scenarios. Experimentally, our method ranks first in both the pre-selection and final evaluation stages, with an average accuracy of 0.4535 during the preselection stage and an average accuracy of 0.4805 during the final evaluation stage.
• Abstract（参考訳）: 本稿では,従来のクラスインクリメンタル・ラーニング以上の難題を示す第5回CLVision Challengeについて紹介する。 標準的な設定とは異なり、このコンペティションは以前遭遇したクラスの再発を特徴とし、アウト・オブ・ディストリビューション(OOD)カテゴリを含む可能性のあるラベルのないデータを含んでいる。 本手法は,クラスインクリメンタル学習における破滅的忘れ問題に対処する各タスクに対して,独立したパラメータ空間を割り当て,教師付き分類学習,教師なし比較学習,擬似ラベル分類学習という3つのトレーニング戦略を用いてラベル付きデータとラベルなしデータの両方で情報を完全に活用し,各サブネットワークの分類性能を向上させる。 さらに,推定段階において,各サブネット間の相互作用戦略を考案し,そのクラスに対応する異なるサブネット間の平均ロジットを,各サブネットから学習した知識を活用して分類精度を向上させる。 これらの戦略は、競合シナリオの3つのシナリオに同時に適用することができ、競合シナリオの困難を効果的に解決することができる。 実験では, 予備選考段階では0.4535, 最終選考段階では0.4805, 最終選考段階では0.4805であった。

関連論文リスト

• Learning Confidence Bounds for Classification with Imbalanced Data [42.690254618937196]
  本稿では,学習理論と集中不等式を利用して従来のソリューションの欠点を克服する新しい枠組みを提案する。 本手法は, クラスごとに異なる不均衡度に効果的に適応できるため, より堅牢で信頼性の高い分類結果が得られる。
  論文  参考訳（メタデータ） (2024-07-16T16:02:27Z)
• Continual Learning in the Presence of Repetition [29.03044158045849]
  継続的学習(CL)は、絶え間なく進化する環境でモデルをトレーニングするためのフレームワークを提供する。 データストリームにおける繰り返しの概念は、CLの標準ベンチマークではよく考慮されない。 本稿では,CVPR 2023におけるCLVisionチャレンジの要約を紹介する。
  論文  参考訳（メタデータ） (2024-05-07T08:15:48Z)
• Memory Consistency Guided Divide-and-Conquer Learning for Generalized Category Discovery [56.172872410834664]
  一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。 メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。 本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-24T09:39:45Z)
• Neural Collapse Terminus: A Unified Solution for Class Incremental Learning and Its Variants [166.916517335816]
  本稿では,3つの課題における不整合ジレンマに対する統一解を提案する。 ラベル空間全体の最大等角的クラス間分離を有する固定構造である神経崩壊終端を提案する。 本手法は,データ不均衡やデータ不足にかかわらず,神経崩壊最適度を漸進的に保持する。
  論文  参考訳（メタデータ） (2023-08-03T13:09:59Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Complementary Labels Learning with Augmented Classes [22.460256396941528]
  補完ラベル学習 (Complementary Labels Learning, CLL) は、プライベート質問分類やオンライン学習など、現実世界の多くのタスクに現れる。 CLLAC(Complementary Labels Learning with Augmented Classs)と呼ばれる新しい問題設定を提案する。 ラベルのないデータを用いて,CLLACの分類リスクの偏りのない推定手法を提案する。
  論文  参考訳（メタデータ） (2022-11-19T13:55:27Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Rethinking Class-Balanced Methods for Long-Tailed Visual Recognition from a Domain Adaptation Perspective [98.70226503904402]
  現実世界のオブジェクトの周波数は、しばしば電力法則に従い、長い尾のクラス分布を持つデータセット間のミスマッチを引き起こす。 メタラーニング手法を用いて,クラス条件分布の違いを明示的に推定し,古典的なクラスバランス学習を強化することを提案する。
  論文  参考訳（メタデータ） (2020-03-24T11:28:42Z)

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。