論文の概要: Local Foreground Selection aware Attentive Feature Reconstruction for few-shot fine-grained plant species classification

• arxiv url: http://arxiv.org/abs/2501.06909v1
• Date: Sun, 12 Jan 2025 19:45:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:24:25.219069
• Title: Local Foreground Selection aware Attentive Feature Reconstruction for few-shot fine-grained plant species classification
• Title（参考訳）: 数発きめ細かい植物種分類のための注意的特徴再構成を考慮した前景選択
• Authors: Aisha Zulfiqar, Ebroul Izquiedro,
• Abstract要約: 植物種は、クラス内変異と最小クラス間変異を示す。 分類精度を高めるためには,クラス間変動を最大化しながらクラス内変動を低減することが不可欠である。 本稿では,新しいローカルフォアグラウンド選択(LFS)アテンション機構を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Plant species exhibit significant intra-class variation and minimal inter-class variation. To enhance classification accuracy, it is essential to reduce intra-class variation while maximizing inter-class variation. This paper addresses plant species classification using a limited number of labelled samples and introduces a novel Local Foreground Selection(LFS) attention mechanism. LFS is a straightforward module designed to generate discriminative support and query feature maps. It operates by integrating two types of attention: local attention, which captures local spatial details to enhance feature discrimination and increase inter-class differentiation, and foreground selection attention, which emphasizes the foreground plant object while mitigating background interference. By focusing on the foreground, the query and support features selectively highlight relevant feature sequences and disregard less significant background sequences, thereby reducing intra-class differences. Experimental results from three plant species datasets demonstrate the effectiveness of the proposed LFS attention mechanism and its complementary advantages over previous feature reconstruction methods.
• Abstract（参考訳）: 植物種は、クラス内変異と最小クラス間変異を示す。 分類精度を高めるためには,クラス間変動を最大化しながらクラス内変動を低減することが不可欠である。 本稿では,限定されたラベル付きサンプルを用いて植物種分類を行い,新しいローカルフォアグラウンド選択(LFS)アテンション機構を導入する。 LFSは、差別的サポートとクエリ機能マップを生成するように設計された単純なモジュールである。 特徴の識別を高め、階級間差別を高めるために局所的な空間的詳細を捉えるローカルアテンションと、背景の干渉を緩和しながら前景の植物オブジェクトを強調するフォアグラウンド選択アテンションという2つのタイプのアテンションを統合することで機能する。 前景に焦点を当てることで、クエリとサポート機能は、関連する機能シーケンスを選択的にハイライトし、重要なバックグラウンドシーケンスを無視し、クラス内の違いを減らすことができる。 3つの植物種のデータセットによる実験結果から,提案したLFSアテンション機構の有効性と,従来の特徴再構成法に対する相補的優位性が示された。

関連論文リスト

• An Enhanced Classification Method Based on Adaptive Multi-Scale Fusion for Long-tailed Multispectral Point Clouds [67.96583737413296]
  長距離分布を持つMPCに対する適応的マルチスケール融合に基づく拡張型分類法を提案する。 トレーニングセット生成段階では、スパースラベル付きデータセットからトレーニングサンプルを確実に生成するグリッドバランスサンプリング戦略が設計されている。 特徴学習の段階では,異なるスケールの土地被覆の浅い特徴を融合させるため,マルチスケールの特徴融合モジュールが提案されている。
  論文  参考訳（メタデータ） (2024-12-16T03:21:20Z)
• Locally Grouped and Scale-Guided Attention for Dense Pest Counting [1.9580473532948401]
  本研究は,デジタルトラップによって捕獲された密集した害虫を予測するための,新たな密集した害虫計数問題を提案する。 これらの問題に対処するためには、局所的な注意機構を組み込むことが不可欠である。 本研究では,局所的なグループ化とスケール誘導による注意をマルチスケールのCenterNetフレームワークに統合する新しい設計を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:02:01Z)
• EIANet: A Novel Domain Adaptation Approach to Maximize Class Distinction with Neural Collapse Principles [15.19374752514876]
  ソースフリードメイン適応(SFDA)は、ラベル付きソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。 SFDAにおける大きな課題は、ターゲットドメインの正確な分類情報を導き出すことである。 クラスプロトタイプを分離するための新しいETF-Informed Attention Network(EIANet)を導入する。
  論文  参考訳（メタデータ） (2024-07-23T05:31:05Z)
• Fine-grained Visual Classification with High-temperature Refinement and Background Suppression [0.19336815376402716]
  HERBS(High-Temperature Refinement and background Suppression)と呼ばれる新しいネットワークを提案する。 HERBSは、様々なスケールの特徴を融合させ、きめ細かい視覚分類のために、背景雑音、識別的特徴を適切なスケールで抑制する。 提案手法は, CUB-200-2011 および NABirds ベンチマークにおける最先端性能を達成し, 両データセットの精度は 93% を超えた。
  論文  参考訳（メタデータ） (2023-03-11T16:43:59Z)
• Bi-directional Feature Reconstruction Network for Fine-Grained Few-Shot Image Classification [61.411869453639845]
  クラス間およびクラス内変動を同時に対応できるバイコンストラクション機構を導入する。 この設計は、モデルがより微妙で差別的な特徴を探索するのに役立つ。 広範に使用されている3つのきめ細かな画像分類データセットに対する実験結果は、一貫して大幅に改善されている。
  論文  参考訳（メタデータ） (2022-11-30T16:55:14Z)
• Channel DropBlock: An Improved Regularization Method for Fine-Grained Visual Classification [58.07257910065007]
  既存のアプローチは主に、識別的部分を見つけるための注意機構や、高度にパラメータ化された特徴を弱教師付きで抽出する特徴符号化アプローチを導入することでこの問題に対処している。 本研究では,CDB(Channel DropBlock)と呼ばれる軽量で効果的な正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:03:02Z)
• Fine-Grained Visual Classification of Plant Species In The Wild: Object Detection as A Reinforced Means of Attention [9.427845067849177]
  オブジェクト検出を注目の場として使うという考え方を探求し、データ変動の影響を緩和する。 そこで本研究では,植物器官検出に基づくボトムアップ手法を導入し,多様な臓器型分類器の予測を融合させる手法を提案する。 我々は,植物器官の検出と器官に基づく種同定を評価するために,長い尾の分布を持つ新しいデータセットをキュレートする。
  論文  参考訳（メタデータ） (2021-06-03T21:22:18Z)
• Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
  低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-05-01T13:19:02Z)
• Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
  AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。 微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2020-10-07T08:44:21Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。