論文の概要: Learning Unknowns from Unknowns: Diversified Negative Prototypes Generator for Few-Shot Open-Set Recognition
- arxiv url: http://arxiv.org/abs/2408.13373v1
- Date: Fri, 23 Aug 2024 21:14:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 19:49:09.574504
- Title: Learning Unknowns from Unknowns: Diversified Negative Prototypes Generator for Few-Shot Open-Set Recognition
- Title(参考訳): 未知から未知を学習する:Few-Shotオープンセット認識のための可変負のプロトタイプ生成器
- Authors: Zhenyu Zhang, Guangyao Chen, Yixiong Zou, Yuhua Li, Ruixuan Li,
- Abstract要約: Few-shot Open-set Recognition (FSOR) は、既知のクラスを認識し、ラベル付きデータに制限のある未知のクラスを識別するモデルを必要とする課題である。
我々はtextbfDiversified textbfNegative textbfPrototypes textbfGenerator (DNPG) と呼ばれる新しいアプローチを提案する。
提案手法は, 基本クラスから学習した未知の空間情報を利用して, 新規クラスのより代表的な負のプロトタイプを生成する。
- 参考スコア(独自算出の注目度): 18.675387093628405
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot open-set recognition (FSOR) is a challenging task that requires a model to recognize known classes and identify unknown classes with limited labeled data. Existing approaches, particularly Negative-Prototype-Based methods, generate negative prototypes based solely on known class data. However, as the unknown space is infinite while the known space is limited, these methods suffer from limited representation capability. To address this limitation, we propose a novel approach, termed \textbf{D}iversified \textbf{N}egative \textbf{P}rototypes \textbf{G}enerator (DNPG), which adopts the principle of "learning unknowns from unknowns." Our method leverages the unknown space information learned from base classes to generate more representative negative prototypes for novel classes. During the pre-training phase, we learn the unknown space representation of the base classes. This representation, along with inter-class relationships, is then utilized in the meta-learning process to construct negative prototypes for novel classes. To prevent prototype collapse and ensure adaptability to varying data compositions, we introduce the Swap Alignment (SA) module. Our DNPG model, by learning from the unknown space, generates negative prototypes that cover a broader unknown space, thereby achieving state-of-the-art performance on three standard FSOR datasets.
- Abstract(参考訳): Few-shot Open-set Recognition (FSOR) は、既知のクラスを認識し、ラベル付きデータに制限のある未知のクラスを識別するモデルを必要とする課題である。
既存のアプローチ、特に負のプロトタイプベースのメソッドは、既知のクラスデータのみに基づく負のプロトタイプを生成する。
しかし、未知空間は無限であり、既知の空間は有限であるため、これらの手法は限定表現能力に悩まされる。
この制限に対処するため、我々は「未知の未知を学習する」という原則を取り入れた新しいアプローチを「textbf{D}iversified \textbf{N}egative \textbf{P}rototypes \textbf{G}enerator (DNPG)」と呼ぶ。
提案手法は, 基本クラスから学習した未知の空間情報を利用して, 新規クラスのより代表的な負のプロトタイプを生成する。
事前学習フェーズでは、基底クラスの未知空間表現を学習する。
この表現はクラス間の関係とともにメタラーニングプロセスで利用され、新規クラスの否定的なプロトタイプを構築する。
プロトタイプの崩壊を防止し,各種データ構成への適応性を確保するため,Swap Alignment (SA)モジュールを導入する。
我々のDNPGモデルは、未知空間から学習することで、より広い未知空間をカバーする負のプロトタイプを生成し、3つの標準FSORデータセット上で最先端のパフォーマンスを達成する。
関連論文リスト
- Few-shot Open Relation Extraction with Gaussian Prototype and Adaptive Margin [15.118656235473921]
no-of-the-above (FsRE with NOTA) によるほとんどショット関係抽出は、未知のクラスを持つ数ショットシナリオでラベルを予測することを目的としている。
GPAM for FsRE with NOTA という,ガウスプロトタイプと適応マージンに基づく新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-27T03:16:09Z) - PASS++: A Dual Bias Reduction Framework for Non-Exemplar Class-Incremental Learning [49.240408681098906]
クラスインクリメンタルラーニング(CIL)は,旧クラスの識別性を維持しつつ,新たなクラスを段階的に認識することを目的としている。
既存のCILメソッドの多くは、例えば、古いデータの一部を格納して再トレーニングする例がある。
本稿では、入力空間における自己教師付き変換(SST)と深い特徴空間におけるプロトタイプ拡張(protoAug)を利用する、単純で斬新な二重バイアス低減フレームワークを提案する。
論文 参考訳(メタデータ) (2024-07-19T05:03:16Z) - POWN: Prototypical Open-World Node Classification [6.704529554100875]
我々は,実世界の半教師付きノード分類の問題を考える。
既存のメソッドは、新しいクラスを検出して拒否するが、異なる新しいクラスを区別することができない。
本稿では,クラスプロトタイプをベースとした,既知のクラスと新しいクラスに分類する,新しいエンドツーエンドアプローチを提案する。
論文 参考訳(メタデータ) (2024-06-14T11:14:01Z) - Organizing Background to Explore Latent Classes for Incremental Few-shot Semantic Segmentation [7.570798966278471]
インクリメンタルなFew-shot Semantic COCO(iFSS)は、トレーニング済みのセグメンテーションモデルを、いくつかの注釈付きイメージを通じて新しいクラスに拡張することである。
我々は,OINetと呼ばれる背景埋め込み空間 textbfOrganization とプロトタイプ textbfInherit Network を提案する。
論文 参考訳(メタデータ) (2024-05-29T23:22:12Z) - 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) - Learning Classifiers of Prototypes and Reciprocal Points for Universal
Domain Adaptation [79.62038105814658]
Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。
主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。
既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
論文 参考訳(メタデータ) (2022-12-16T09:01:57Z) - Towards Generalized Few-Shot Open-Set Object Detection [13.671120689841736]
オープンセットオブジェクト検出(OSOD)は、既知のカテゴリを検出し、動的世界の未知のオブジェクトを拒否することを目的としている。
本稿では,G-FOOD (Generalized few-shot Open-set Object Detection) の解を求める。
この問題に対処する新しいG-FOODアルゴリズム, underlineFew-shunderlineOt underline Open-set underlineDetector (FOOD)を提案する。
論文 参考訳(メタデータ) (2022-10-28T09:02:32Z) - Few-shot Open-set Recognition Using Background as Unknowns [58.04165813493666]
未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。
提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
論文 参考訳(メタデータ) (2022-07-19T04:19:29Z) - Dual Prototypical Contrastive Learning for Few-shot Semantic
Segmentation [55.339405417090084]
本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。
第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。
提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-11-09T08:14:50Z) - Detecting Anomalies in Semantic Segmentation with Prototypes [23.999211737485812]
本稿では,プロトタイプ学習による異常セグメンテーションに対処することを提案する。
我々のアプローチは、過去の作品よりも大きな差で、新しい芸術の状態を達成している。
論文 参考訳(メタデータ) (2021-06-01T13:22:33Z) - Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。
本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。
相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
論文 参考訳(メタデータ) (2020-10-31T03:20:31Z)
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。