論文の概要: Combining Discrepancy-Confusion Uncertainty and Calibration Diversity for Active Fine-Grained Image Classification

• arxiv url: http://arxiv.org/abs/2509.24181v1
• Date: Mon, 29 Sep 2025 02:03:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.683303
• Title: Combining Discrepancy-Confusion Uncertainty and Calibration Diversity for Active Fine-Grained Image Classification
• Title（参考訳）: 逐次拡散不確かさと校正の多様性を併用した高精細画像分類
• Authors: Yinghao Jin, Xi Yang,
• Abstract要約: アクティブラーニングは、ラベルのないプールから最も有益なサンプルを反復的に選択することで、高品質なラベル付きデータセットを構築することを目的としている。 きめ細かい画像分類では、クラス間の微妙な違いのために、この情報性を評価することは特に困難である。 能動きめ細粒度画像分類(DECERN)における不一致拡散不確かさとキャリブレーションの多様性を組み合わせた新しい手法を提案する。 本手法は最先端の手法と比較して優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 4.909043927828085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active learning (AL) aims to build high-quality labeled datasets by iteratively selecting the most informative samples from an unlabeled pool under limited annotation budgets. However, in fine-grained image classification, assessing this informativeness is especially challenging due to subtle inter-class differences. In this paper, we introduce a novel method, combining discrepancy-confusion uncertainty and calibration diversity for active fine-grained image classification (DECERN), to effectively perceive the distinctiveness between fine-grained images and evaluate the sample value. DECERN introduces a multifaceted informativeness measure that combines discrepancy-confusion uncertainty and calibration diversity. The discrepancy-confusion uncertainty quantifies the category directionality and structural stability of fine-grained unlabeled data during local feature fusion. Subsequently, uncertainty-weighted clustering is performed to diversify the uncertainty samples. Then we calibrate the diversity to maximize the global diversity of the selected sample while maintaining its local representativeness. Extensive experiments conducted on 7 fine-grained image datasets across 26 distinct experimental settings demonstrate that our method achieves superior performance compared to state-of-the-art methods.
• Abstract（参考訳）: アクティブラーニング(AL)は、制限されたアノテーション予算の下でラベル付けされていないプールから最も情報に富んだサンプルを反復的に選択することで、高品質なラベル付きデータセットを構築することを目的としている。 しかし、微細な画像分類では、クラス間の微妙な違いのため、この情報性を評価することは特に困難である。 本稿では,高精細画像分類(DECERN)における差分拡散不確かさとキャリブレーションの多様性を組み合わせて,精細画像間の差異を効果的に認識し,サンプル値を評価する手法を提案する。 DECERNは、不一致拡散の不確実性とキャリブレーションの多様性を組み合わせた多面的情報度尺度を導入している。 相違・融合不確実性は,局所的特徴融合時の微細な未ラベルデータのカテゴリ指向性と構造安定性を定量化する。 その後、不確実性重み付きクラスタリングを行い、不確実性サンプルを多様化する。 次に, 局所的な代表性を維持しつつ, 選択したサンプルのグローバルな多様性を最大化するために, 多様性を校正する。 26の異なる実験環境にまたがる7つのきめ細粒度画像データセットによる大規模な実験により,本手法は最先端の手法と比較して優れた性能を発揮することが示された。

関連論文リスト

• Batch Selection for Multi-Label Classification Guided by Uncertainty and Dynamic Label Correlations [9.360376286221943]
  本研究では,不確実性に基づくマルチラベルバッチ選択アルゴリズムを提案する。 逐次予測と現在の出力の信頼度の違いを考慮し、各ラベルの不確実性を評価する。 実験により,本手法が性能向上に有効であることを実証した。
  論文  参考訳（メタデータ） (2024-12-21T07:49:26Z)
• To Label or Not to Label: Hybrid Active Learning for Neural Machine Translation [6.816044132563518]
  アクティブラーニング(AL)技術は、アノテーションのためのラベルなしデータから、より小さな代表サブセットを選択することで、ニューラルネットワーク翻訳(NMT)モデルのラベリングコストを低減する。 多様性サンプリング手法は不均一なインスタンスを選択するが、不確実なサンプリング手法は最も高いモデル不確実性を持つインスタンスを選択する。 文選択のための不確実性と多様性を組み合わせたNMTにおけるドメイン適応のためのAL戦略であるハイブリッド不確実性と多様性サンプリング(HUDS)を提案する。
  論文  参考訳（メタデータ） (2024-03-14T10:33:28Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object Detection [66.10057490293981]
  半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。 本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2021-03-29T09:27:23Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
  ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。 画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-09T12:26:27Z)
• Discriminative Residual Analysis for Image Set Classification with Posture and Age Variations [27.751472312581228]
  識別残差分析(DRA)は分類性能を向上させるために提案される。 DRAは、残差表現を識別部分空間にキャストする強力な射影を得ようとする。 2つの正則化アプローチは、可能な小さなサンプルサイズ問題に対処するために使用される。
  論文  参考訳（メタデータ） (2020-08-23T08:53:06Z)
• Heteroskedastic and Imbalanced Deep Learning with Adaptive Regularization [55.278153228758434]
  実世界のデータセットはヘテロスケダティックで不均衡である。 ヘテロスケダスティック性と不均衡を同時に扱うことは、未発見である。 本稿ではヘテロスケダスティックデータセットに対するデータ依存正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:09:50Z)

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。