論文の概要: Divide-and-Conquer Approach to Holistic Cognition in High-Similarity Contexts with Limited Data

• arxiv url: http://arxiv.org/abs/2604.19339v1
• Date: Tue, 21 Apr 2026 11:17:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.73469
• Title: Divide-and-Conquer Approach to Holistic Cognition in High-Similarity Contexts with Limited Data
• Title（参考訳）: 限定データを用いた高相性文脈における立体的認知の分数的・対数的アプローチ
• Authors: Shijie Wang, Zijian Wang, Yadan Luo, Haojie Li, Zi Huang, Mahsa Baktashmotlagh,
• Abstract要約: 我々はDHCNet(Divide-and-Conquer Holistic Cognition Network)を提案する。 DHCNetは、空間的に関連する微妙な相違点に包括的キューを分解することで、分割・対数戦略を実装している。 DHCNetは、広く使われている5つのUltra-FGVCデータセットで顕著なパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 73.20753799870282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultra-fine-grained visual categorization (Ultra-FGVC) aims to classify highly similar subcategories within fine-grained objects using limited training samples. However, holistic yet discriminative cues, such as leaf contours in extremely similar cultivars, remain under-explored in current studies, thereby limiting recognition performance. Though crucial, modeling holistic cues with complex morphological structures typically requires massive training samples, posing significant challenges in data-limited scenarios. To address this challenge, we propose a novel Divide-and-Conquer Holistic Cognition Network (DHCNet) that implements a divide-and-conquer strategy by decomposing holistic cues into spatially-associated subtle discrepancies and progressively establishing the holistic cognition process, significantly simplifying holistic cognition while reducing dependency on training data. Technically, DHCNet begins by progressively analyzing subtle discrepancies, transitioning from smaller local patches to larger ones using a self-shuffling operation on local regions. Simultaneously, it leverages the unaffected local regions to potentially guide the perception of the original topological structure among the shuffled patches, thereby aiding in the establishment of spatial associations for these discrepancies. Additionally, DHCNet incorporates the online refinement of these holistic cues discovered from local regions into the training process to iteratively improve their quality. As a result, DHCNet uses these holistic cues as supervisory signals to fine-tune the parameters of the recognition model, thus improving its sensitivity to holistic cues across the entire objects. Extensive evaluations demonstrate that DHCNet achieves remarkable performance on five widely-used Ultra-FGVC datasets.
• Abstract（参考訳）: 超きめ細かい視覚分類 (Ultra-FGVC) は、限られたトレーニングサンプルを用いて、非常に類似したサブカテゴリを微きめのオブジェクトに分類することを目的としている。 しかし、非常に類似した品種の葉の輪郭のような全体的かつ差別的な手がかりは、現在の研究では未探索のままであり、認識性能を制限している。 重要なことではあるが、複雑な形態構造を持つ全体論的手がかりをモデル化するには、典型的には大量のトレーニングサンプルを必要とし、データ制限シナリオにおいて重大な課題を提起する。 この課題に対処するため,本研究では,包括的キューを空間的に関連する微妙な相違点に分解し,包括的認知過程を段階的に確立することにより,包括的認知を著しく単純化し,訓練データへの依存を低減し,分割・コンカ戦略を実現する,DHCNet(Divide-and-Conquer Holistic Cognition Network)を提案する。 技術的には、DHCNetは微妙な不一致を徐々に分析し始め、より小さなローカルパッチから、ローカルリージョンの自己シャッフル操作を使用して大きなパッチに移行する。 同時に、影響を受けていない地域を活用して、シャッフルされたパッチ間の元のトポロジカルな構造の認識をガイドし、これらの不一致に対する空間的関連の確立を支援する。 さらに、DHCNetは、現地から発見されたこれらの総合的な手がかりのオンライン改善をトレーニングプロセスに組み込んで、その品質を反復的に改善する。 結果として、DHCNetはこれらの全体論的キューを監視信号として、認識モデルのパラメータを微調整し、オブジェクト全体の全体論的キューに対する感度を向上させる。 DHCNetは広く使われている5つのUltra-FGVCデータセットで顕著な性能を発揮する。

関連論文リスト

• Learning Neural Operators from Partial Observations via Latent Autoregressive Modeling [25.277110071740953]
  部分観察からニューラル演算子を学習するための最初の体系的枠組みを紹介する。 提案するLatent Autoregressive Neural Operator (LANO) では,部分的な観察の難しさに対処するための2つの新しいコンポーネントが提案されている。
  論文  参考訳（メタデータ） (2026-01-22T00:33:38Z)
• Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based Constraints [19.897181782914437]
  本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。 我々のアプローチは、広範囲のディープセグメンテーションネットワークのトレーニングに利用できる。
  論文  参考訳（メタデータ） (2024-01-25T19:46:57Z)
• Sampling-enabled scalable manifold learning unveils the discriminative cluster structure of high-dimensional data [17.411028691739897]
  大規模・高次元データに対して一様および識別的埋め込み(SUDE)を可能にする,サンプリングベースでスケーラブルな多様体学習手法を提案する。 合成データセットと実世界のベンチマークにおけるSUDEの有効性を実証的に検証し, 単細胞データの解析と心電図信号の異常検出に応用した。
  論文  参考訳（メタデータ） (2024-01-02T08:43:06Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Weakly Supervised Person Search with Region Siamese Networks [65.76237418040071]
  教師付き学習は人検索において支配的であるが、境界ボックスとアイデンティティの詳細なラベル付けが必要である。 私たちは、バウンディングボックスアノテーションのみが利用できる弱い教師付き設定を提示します。 我々のモデルはCUHK-SYSUベンチマークで87.1%のランク1と86.0%のmAPを達成している。
  論文  参考訳（メタデータ） (2021-09-13T16:33:27Z)
• Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。 現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。 本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T11:27:14Z)
• Improving Monocular Depth Estimation by Leveraging Structural Awareness and Complementary Datasets [21.703238902823937]
  視覚特徴の空間的関係を利用するために,空間的注意ブロックを有する構造認識ニューラルネットワークを提案する。 第2に,一様点対に対する大域的局所的相対損失を導入し,予測における空間的制約を増大させる。 第3に、先行手法の障害事例の分析に基づいて、挑戦シーンの新たなHard Case (HC) Depthデータセットを収集します。
  論文  参考訳（メタデータ） (2020-07-22T08:21:02Z)
• Seismic horizon detection with neural networks [62.997667081978825]
  本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。 本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
  論文  参考訳（メタデータ） (2020-01-10T11:30:50Z)

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。