論文の概要: CONCLAD: COntinuous Novel CLAss Detector
- arxiv url: http://arxiv.org/abs/2412.10473v1
- Date: Fri, 13 Dec 2024 01:41:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 14:00:33.640470
- Title: CONCLAD: COntinuous Novel CLAss Detector
- Title(参考訳): CONCLAD:Continuous Novel CLAss Detector
- Authors: Amanda Rios, Ibrahima Ndiour, Parual Datta, Omesh Tickoo, Nilesh Ahuja,
- Abstract要約: 本稿では,展開後データにおける新規クラス検出の問題に対する包括的解決法を提案する。
我々は、既知のクラス(es)サンプルと新しいクラス(es)サンプルを区別するために、反復不確実性推定アルゴリズムを用いる。
私たちは受け入れ次第コードを公開します。
- 参考スコア(独自算出の注目度): 5.857367484128867
- License:
- Abstract: In the field of continual learning, relying on so-called oracles for novelty detection is commonplace albeit unrealistic. This paper introduces CONCLAD ("COntinuous Novel CLAss Detector"), a comprehensive solution to the under-explored problem of continual novel class detection in post-deployment data. At each new task, our approach employs an iterative uncertainty estimation algorithm to differentiate between known and novel class(es) samples, and to further discriminate between the different novel classes themselves. Samples predicted to be from a novel class with high-confidence are automatically pseudo-labeled and used to update our model. Simultaneously, a tiny supervision budget is used to iteratively query ambiguous novel class predictions, which are also used during update. Evaluation across multiple datasets, ablations and experimental settings demonstrate our method's effectiveness at separating novel and old class samples continuously. We will release our code upon acceptance.
- Abstract(参考訳): 連続学習の分野では、ノベルティ検出のためのいわゆるオークルに頼ることは、非現実的であるにもかかわらず一般的である。
本稿では,ConCLAD(Continuous Novel CLAss Detector)について紹介する。
本手法では,各課題において,既知のクラスと新しいクラスを区別する反復的不確実性推定アルゴリズムを用いて,新しいクラスを識別する。
信頼度の高い新しいクラスのサンプルは自動的に擬似ラベル付けされ、モデルの更新に使用される。
同時に、更新時にも使用される曖昧な新しいクラス予測を反復的にクエリするために、小さな監督予算が使用される。
複数のデータセット、アブリケーション、実験的な設定で評価すると、新しいクラスと古いクラスを連続的に分離する手法の有効性が示される。
私たちは受け入れ次第コードを公開します。
関連論文リスト
- ProxyDet: Synthesizing Proxy Novel Classes via Classwise Mixup for
Open-Vocabulary Object Detection [7.122652901894367]
Open-vocabulary Object Detection (OVOD)は、トレーニングセットにカテゴリが含まれていない新しいオブジェクトを認識することを目的としている。
本稿では,新しいクラス全体の分布を一般化する手法を提案する。
論文 参考訳(メタデータ) (2023-12-12T13:45:56Z) - Continual Improvement of Threshold-Based Novelty Detection [0.0]
新規性を検出する一連の技術は、観測されたデータポイントとトレーニングに使用されるデータとの類似性のしきい値に依存する。
本稿では,これらのしきい値を自動的に選択する手法を提案する。
本手法により, MNIST, Fashion MNIST, CIFAR-10の精度が向上することが実証された。
論文 参考訳(メタデータ) (2023-09-05T19:37:45Z) - Proxy Anchor-based Unsupervised Learning for Continuous Generalized
Category Discovery [22.519873617950662]
ラベルなし集合上の新しいカテゴリを発見するために,教師なしクラスインクリメンタルな学習手法を提案する。
提案手法は,ラベル付きデータセット上の特徴抽出器とプロキシアンカーを微調整し,サンプルをラベル付きデータセット上の古いカテゴリと新しいカテゴリとクラスタに分割する。
実験により,提案手法は実世界のシナリオ下での細粒度データセットにおける最先端の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-07-20T15:13:29Z) - Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。
凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
論文 参考訳(メタデータ) (2023-03-28T13:47:16Z) - PromptCAL: Contrastive Affinity Learning via Auxiliary Prompts for
Generalized Novel Category Discovery [39.03732147384566]
Generalized Novel Category Discovery (GNCD) 設定は、既知のクラスや新しいクラスから来るラベルなしのトレーニングデータを分類することを目的としている。
本稿では,この課題に対処するために,PromptCALと呼ばれる補助視覚プロンプトを用いたコントラスト親和性学習法を提案する。
提案手法は,クラストークンと視覚的プロンプトのための既知のクラスと新しいクラスのセマンティッククラスタリングを改善するために,信頼性の高いペアワイズサンプル親和性を発見する。
論文 参考訳(メタデータ) (2022-12-11T20:06:14Z) - Memorizing Complementation Network for Few-Shot Class-Incremental
Learning [109.4206979528375]
本稿では,新しいタスクにおいて,異なる記憶された知識を補う複数のモデルをアンサンブルするために,MCNet(Memorizing Complementation Network)を提案する。
原型スムージング・ハードマイニング・トリプルト(PSHT)の損失を現時点の課題だけでなく,従来の分布からも引き離すために開発した。
論文 参考訳(メタデータ) (2022-08-11T02:32:41Z) - Novel Class Discovery without Forgetting [72.52222295216062]
我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。
ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。
CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
論文 参考訳(メタデータ) (2022-07-21T17:54:36Z) - 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) - 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) - Continual Novelty Detection [37.43667292607965]
連続学習は新規性検出アルゴリズムの動作に影響を及ぼし、新規性検出は連続学習者の動作に関する洞察を特定できることを示す。
この2つの問題の結合は、ビジョンモデルを実践するための有望な方向であると考えています。
論文 参考訳(メタデータ) (2021-06-24T12:30:41Z) - CSI: Novelty Detection via Contrastive Learning on Distributionally
Shifted Instances [77.28192419848901]
コントラストシフトインスタンス (CSI) という,単純かつ効果的な手法を提案する。
従来のコントラスト学習法のように,サンプルを他の例と対比することに加えて,本トレーニング手法では,サンプルを分散シフトによる拡張と対比する。
本実験は, 種々の新規検出シナリオにおける本手法の優位性を実証する。
論文 参考訳(メタデータ) (2020-07-16T08:32:56Z)
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。