論文の概要: Slot Attention-based Feature Filtering for Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2508.09699v1
• Date: Wed, 13 Aug 2025 10:55:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.861752
• Title: Slot Attention-based Feature Filtering for Few-Shot Learning
• Title（参考訳）: Slot Attention-based Feature Filtering for Few-Shot Learning (特集:情報ネットワーク)
• Authors: Javier Rodenas, Eduardo Aguilar, Petia Radeva,
• Abstract要約: Slot Attention-based Feature Filtering for Few-Shot Learning (SAFF) SAFFはスロットアテンションとパッチ・エム・ベディングを使って弱い特徴をフィルタリングする。 我々は, CIFAR-FS, FC100, miniImageNet, tieredIma geNetなど, 数発の学習ベンチマークを用いた広範囲な実験により, 本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 4.603545241878002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Irrelevant features can significantly degrade few-shot learn ing performance. This problem is used to match queries and support images based on meaningful similarities despite the limited data. However, in this process, non-relevant fea tures such as background elements can easily lead to confu sion and misclassification. To address this issue, we pro pose Slot Attention-based Feature Filtering for Few-Shot Learning (SAFF) that leverages slot attention mechanisms to discriminate and filter weak features, thereby improving few-shot classification performance. The key innovation of SAFF lies in its integration of slot attention with patch em beddings, unifying class-aware slots into a single attention mechanism to filter irrelevant features effectively. We intro duce a similarity matrix that computes across support and query images to quantify the relevance of filtered embed dings for classification. Through experiments, we demon strate that Slot Attention performs better than other atten tion mechanisms, capturing discriminative features while reducing irrelevant information. We validate our approach through extensive experiments on few-shot learning bench marks: CIFAR-FS, FC100, miniImageNet and tieredIma geNet, outperforming several state-of-the-art methods.
• Abstract（参考訳）: 関連しない機能は、数ショットの学習ingパフォーマンスを著しく低下させる可能性がある。 この問題は、限られたデータにもかかわらず、クエリにマッチし、意味のある類似性に基づいた画像をサポートするために使用される。 しかし, このプロセスでは, 背景要素などの非関連フェアチャーは, コンフュージョンや誤分類に容易に繋がる。 この問題に対処するために、スロットアテンション機構を活用して弱い特徴を識別・フィルタリングし、少数ショット分類性能を向上させるSlot Attention-based Feature Filtering for Few-Shot Learning (SAFF)を提案する。 SAFFの鍵となる革新は、スロットアテンションとパッチエムベディングの統合であり、クラスアウェアスロットを単一のアテンションメカニズムに統合し、無関係な機能を効果的にフィルタリングすることである。 我々は,分類のためのフィルタ埋め込み方式の妥当性を定量化するために,サポートやクエリ画像にまたがって計算する類似性行列を考案した。 実験を通じて,Slot Attentionが他のアテンションメカニズムよりも優れており,無関係な情報を低減しつつ,識別的特徴を捉えることが実証された。 我々は, CIFAR-FS, FC100, miniImageNet, tieredIma geNetなど, 数発の学習ベンチマークを用いた広範囲な実験により, 本手法の有効性を検証した。

関連論文リスト

• Progressive Focused Transformer for Single Image Super-Resolution [21.301520456058544]
  本稿では、PFA(Progressive Focused Attention)を通してネットワーク内のすべての孤立した注意マップをリンクして、最も重要なトークンに注意を向ける、新規で効果的なProgressive Focused Transformer(PFT)を提案する。 PFAは、ネットワークがより重要な類似した特徴をキャプチャできるだけでなく、類似性を計算する前に無関係な特徴をフィルタリングすることで、ネットワーク全体の計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2025-03-26T09:02:37Z)
• Disentangling CLIP for Multi-Object Perception [58.73850193789384]
  CLIPのような視覚言語モデルは、シーン内の1つの顕著なオブジェクトを認識するのに優れていますが、複数のオブジェクトを含む複雑なシーンで苦労しています。 DCLIPはCLIP機能を2つの相補的な目的から切り離すフレームワークである。 実験の結果,DCLIPはCLIPと比較してクラス間特徴類似度を30%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T08:20:31Z)
• ResMatch: Residual Attention Learning for Local Feature Matching [51.07496081296863]
  従来の特徴マッチングとフィルタリングの観点から、クロスアテンションとセルフアテンションを再考する。 我々は,記述者と相対的な位置の類似性を,クロスアテンションスコアとセルフアテンションスコアに注入する。 我々は、記述子と相対的な位置の類似性に応じて隣人内および隣人間を採掘する。
  論文  参考訳（メタデータ） (2023-07-11T11:32:12Z)
• CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification [11.894289991529496]
  少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。 最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。 本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T06:14:51Z)
• Learning to ignore: rethinking attention in CNNs [87.01305532842878]
  我々は,CNNの注意機構を再構築し,出席する学習ではなく無視することを学ぶことを提案する。 具体的には、シーン内で無関係な情報を明示的に学習し、生成した表現でそれを抑えることを提案する。
  論文  参考訳（メタデータ） (2021-11-10T13:47:37Z)
• Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection [89.43987367139724]
  顔の偽造検出は、コンピュータビジョンへの関心をますます高めている。 近年の業績は良好なものとなっているが、いまだに無視できない問題がある。 本稿では,新しい周波数認識型特徴学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-16T14:17:17Z)
• Detection of Adversarial Supports in Few-shot Classifiers Using Feature Preserving Autoencoders and Self-Similarity [89.26308254637702]
  敵対的なサポートセットを強調するための検出戦略を提案する。 我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。 提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
  論文  参考訳（メタデータ） (2020-12-09T14:13:41Z)

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。