論文の概要: A Simple Task-aware Contrastive Local Descriptor Selection Strategy for Few-shot Learning between inter class and intra class
- arxiv url: http://arxiv.org/abs/2408.05953v1
- Date: Mon, 12 Aug 2024 07:04:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-13 14:35:18.960926
- Title: A Simple Task-aware Contrastive Local Descriptor Selection Strategy for Few-shot Learning between inter class and intra class
- Title（参考訳）: クラス間およびクラス内におけるFew-shot学習のための簡単なタスク認識型コントラストローカル記述子選択戦略
- Authors: Qian Qiao, Yu Xie, Shaoyao Huang, Fanzhang Li,
- Abstract要約: 少ない画像分類は、ラベル付きサンプルの少ない新しいクラスを分類することを目的としている。
近年の研究では、深部局所記述子は表現能力に優れていた。
本稿では,タスク対応コントラスト型ローカル記述子選択ネットワーク(TCDSNet)を提案する。
- 参考スコア（独自算出の注目度）: 6.204356280380338
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Few-shot image classification aims to classify novel classes with few labeled samples. Recent research indicates that deep local descriptors have better representational capabilities. These studies recognize the impact of background noise on classification performance. They typically filter query descriptors using all local descriptors in the support classes or engage in bidirectional selection between local descriptors in support and query sets. However, they ignore the fact that background features may be useful for the classification performance of specific tasks. This paper proposes a novel task-aware contrastive local descriptor selection network (TCDSNet). First, we calculate the contrastive discriminative score for each local descriptor in the support class, and select discriminative local descriptors to form a support descriptor subset. Finally, we leverage support descriptor subsets to adaptively select discriminative query descriptors for specific tasks. Extensive experiments demonstrate that our method outperforms state-of-the-art methods on both general and fine-grained datasets.
- Abstract（参考訳）: 少ない画像分類は、ラベル付きサンプルの少ない新しいクラスを分類することを目的としている。
近年の研究では、深部局所記述子は表現能力に優れていた。
これらの研究は、背景雑音が分類性能に与える影響を認識する。
一般的に、サポートクラス内のすべてのローカルディスクリプタを使用してクエリ記述子をフィルタリングするか、サポート中のローカルディスクリプタとクエリセット間の双方向選択を行う。
しかし、背景特徴が特定のタスクの分類性能に有用であるという事実を無視する。
本稿では,タスク対応コントラスト型ローカル記述子選択ネットワーク(TCDSNet)を提案する。
まず、サポートクラスの各ローカル記述子に対して、比較的識別スコアを算出し、識別的局所記述子を選択して、サポート記述子サブセットを形成する。
最後に、サポートディスクリプタサブセットを利用して、特定のタスクに対する差別的なクエリ記述子を適応的に選択する。
大規模な実験により,本手法は汎用および微粒なデータセット上で最先端の手法より優れていることが示された。
関連論文リスト
- Local Descriptors Weighted Adaptive Threshold Filtering For Few-Shot Learning [0.0]
画像の分類はほとんどないが、機械学習の分野では難しい課題だ。
本稿では,局所記述子に対する革新的な重み付け適応しきい値フィルタリング(WATF)戦略を提案する。
本手法は、学習可能なパラメータを追加せずに、シンプルで軽量な設計哲学を維持している。
論文 参考訳（メタデータ） (2024-08-28T16:36:23Z) - Feature Aligning Few shot Learning Method Using Local Descriptors Weighted Rules [0.0]
ラベル付きサンプルの限られた数を使用して、新しいカテゴリを識別することを含む分類はほとんどない。
本稿では,局所記述子重み付きルール(FAFD-LDWR)を用いたFew-shot学習手法を提案する。
ローカルディスクリプタの識別情報を可能な限り保存するために、クロスノーマライゼーション手法を少数ショット画像分類に革新的に導入し、サポートのキーローカルディスクリプタとクエリセットを整列させて、バックグラウンドノイズを除去することで分類性能を向上させる。
論文 参考訳（メタデータ） (2024-08-26T11:36:38Z) - DeLR: Active Learning for Detection with Decoupled Localization and
Recognition Query [53.54802901197267]
本稿では,物体検出のための2つの重要な要素,すなわち局所化と認識を再考する。
そこで本研究では,アクティブクエリの局所化と認識をデカップリングする,効率的なクエリ戦略を提案する。
論文 参考訳（メタデータ） (2023-12-28T09:58:32Z) - TALDS-Net: Task-Aware Adaptive Local Descriptors Selection for Few-shot Image Classification [6.204356280380338]
少ない画像分類は、見知らぬ新しいクラスを少数のサンプルで分類することを目的としている。
近年の研究では、深部局所記述子は画像レベルの特徴に比べて表現能力が向上していることが示されている。
タスク対応型ローカル記述子選択ネットワーク(TALDS-Net)を提案する。
論文 参考訳（メタデータ） (2023-12-09T03:33:14Z) - Learning to Detect Instance-level Salient Objects Using Complementary
Image Labels [55.049347205603304]
本報告では,本問題に対する第1の弱教師付きアプローチを提案する。
本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
論文 参考訳（メタデータ） (2021-11-19T10:15:22Z) - Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。
広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
論文 参考訳（メタデータ） (2021-03-30T00:48:28Z) - Weakly-supervised Salient Instance Detection [65.0408760733005]
本報告では,本問題に対する第1の弱教師付きアプローチを提案する。
本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
論文 参考訳（メタデータ） (2020-09-29T09:47:23Z) - Learning and aggregating deep local descriptors for instance-level
recognition [11.692327697598175]
トレーニングは、正と負のイメージペアの例のみを必要とする。
推論では、ローカルディスクリプタはネットワークの内部コンポーネントのアクティベートによって提供される。
バックボーンネットワークがResNet18ほど小さい場合もあります。
論文 参考訳（メタデータ） (2020-07-26T16:30:56Z) - Online Invariance Selection for Local Feature Descriptors [93.32949876169785]
現在の特徴記述子の制限は、一般化と差別力のトレードオフである。
本稿では,この制限を,局所的な記述子における不変性の分散と,その文脈に与えられた最も適切な不変性のオンライン選択によって克服することを提案する。
提案手法は,現在のディスクリプタの性能を向上し,複数のマッチングタスクにおいて最先端のディスクリプタより優れていることを示す。
論文 参考訳（メタデータ） (2020-07-17T14:08:22Z) - D2D: Keypoint Extraction with Describe to Detect Approach [48.0325745125635]
本稿では,ディスクリプタ空間内の情報を利用してキーポイント位置を提案する手法を提案する。
本稿では,まずキーポイント位置を記述し,次に検出することで,この過程を逆転する手法を提案する。
論文 参考訳（メタデータ） (2020-05-27T19:27:46Z)
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。