論文の概要: One-Shot Identification with Different Neural Network Approaches

• arxiv url: http://arxiv.org/abs/2601.08278v1
• Date: Tue, 13 Jan 2026 07:13:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.093104
• Title: One-Shot Identification with Different Neural Network Approaches
• Title（参考訳）: 異なるニューラルネットワークアプローチによるワンショット同定
• Authors: Janis Mohr, Jörg Frochte,
• Abstract要約: ワンショット学習では、1つのクラスからたった1つの例を見た後、予測を行う必要がある。 本稿では,産業アプリケーションや顔認識など,異なる分野におけるワンショット識別タスクに対するさまざまなアプローチについて検討する。 画像を積み重ねた特殊な手法を用いてシマメカプセルネットワークを利用する。
• 参考スコア（独自算出の注目度）: 0.32567268002362476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks (CNNs) have been widely used in the computer vision community, significantly improving the state-of-the-art. But learning good features often is computationally expensive in machine learning settings and is especially difficult when there is a lack of data. One-shot learning is one such area where only limited data is available. In one-shot learning, predictions have to be made after seeing only one example from one class, which requires special techniques. In this paper we explore different approaches to one-shot identification tasks in different domains including an industrial application and face recognition. We use a special technique with stacked images and use siamese capsule networks. It is encouraging to see that the approach using capsule architecture achieves strong results and exceeds other techniques on a wide range of datasets from industrial application to face recognition benchmarks while being easy to use and optimise.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)はコンピュータビジョンコミュニティで広く使われており、最先端技術を大幅に改善している。 しかし、良い機能を学ぶことは機械学習の設定で計算的に高価であり、データが不足している場合には特に難しい。 ワンショット学習は、限られたデータしか利用できない分野のひとつだ。 ワンショット学習では、1つのクラスから1つの例だけを見て、特別なテクニックを必要とする予測を行う必要がある。 本稿では,産業用アプリケーションや顔認識など,異なる分野におけるワンショット識別タスクに対するさまざまなアプローチについて検討する。 画像を積み重ねた特殊な手法を用いてシマメカプセルネットワークを利用する。 カプセルアーキテクチャを用いたアプローチが強力な成果を達成し、産業アプリケーションから顔認識ベンチマークまで幅広いデータセット上の他のテクニックを超越し、使用と最適化が容易であることを確認することが望ましい。

関連論文リスト

• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Self-Supervised Endoscopic Image Key-Points Matching [1.3764085113103222]
  本稿では,深層学習技術に基づく内視鏡画像マッチングのための新しい自己教師型アプローチを提案する。 提案手法は,手作りの標準的なローカル特徴記述子よりも精度とリコールの点で優れていた。
  論文  参考訳（メタデータ） (2022-08-24T10:47:21Z)
• Discriminative Feature Learning through Feature Distance Loss [0.0]
  本研究は,多様なリッチベースモデルを組み合わせて,異なる重要な画像領域に着目して分類する手法を提案する。 ベンチマーク畳み込みニューラルネットワーク(VGG16, ResNet, AlexNet)、一般的なデータセット(Cifar10, Cifar100, miniImageNet, NEU, BSD, TEX)の実験は、我々の手法の有効性と一般化能力を示している。
  論文  参考訳（メタデータ） (2022-05-23T20:01:32Z)
• Self-Supervised Graph Neural Network for Multi-Source Domain Adaptation [51.21190751266442]
  ドメイン適応(DA)は、テストデータがトレーニングデータの同じ分布に完全に従わない場合に、シナリオに取り組む。 大規模未ラベルサンプルから学習することで、自己教師型学習がディープラーニングの新しいトレンドとなっている。 我々は,より効果的なタスク間情報交換と知識共有を実現するために,新しい textbfSelf-textbf Supervised textbfGraph Neural Network (SSG) を提案する。
  論文  参考訳（メタデータ） (2022-04-08T03:37:56Z)
• A large scale multi-view RGBD visual affordance learning dataset [4.3773754388936625]
  大規模マルチビューRGBDビジュアルアプライアンス学習データセットを提案する。 これは、初めてかつ最大のマルチビューRGBDビジュアルアプライアンス学習データセットである。 いくつかの最先端のディープラーニングネットワークを,それぞれが可視性認識とセグメンテーションタスクのために評価する。
  論文  参考訳（メタデータ） (2022-03-26T14:31:35Z)
• Digital Fingerprinting of Microstructures [44.139970905896504]
  微細な情報をフィンガープリントする効率的な方法を見つけることは、データ中心の機械学習アプローチを活用するための重要なステップである。 本稿では,マイクロ構造を分類し,その特徴を機械学習タスクに応用する。 特に、ImageNetデータセットで事前訓練された畳み込みニューラルネットワーク(CNN)によるトランスファーラーニングを利用するメソッドは、他の方法よりも優れていることが一般的に示されている。
  論文  参考訳（メタデータ） (2022-03-25T15:40:44Z)
• Hybrid Optimized Deep Convolution Neural Network based Learning Model for Object Detection [0.0]
  物体の識別はコンピュータビジョンにおける最も基本的で難しい問題の1つである。 近年,ディープラーニングに基づく物体検出技術が大衆の関心を集めている。 本研究では,自律型物体検出システムを構築するために,独自のディープラーニング分類手法を用いる。 提案するフレームワークは検出精度0.9864であり、現在の技術よりも高い。
  論文  参考訳（メタデータ） (2022-03-02T04:39:37Z)
• NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
  本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。 このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
  論文  参考訳（メタデータ） (2020-09-28T01:48:45Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。