論文の概要: Energy-Based Open-Set Active Learning for Object Classification

• arxiv url: http://arxiv.org/abs/2604.20083v1
• Date: Wed, 22 Apr 2026 00:57:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.897254
• Title: Energy-Based Open-Set Active Learning for Object Classification
• Title（参考訳）: オブジェクト分類のためのエネルギーベースオープンセットアクティブラーニング
• Authors: Zongyao Lyu, William J. Beksi,
• Abstract要約: オープンセット能動学習のための新しい2段階のエネルギーベースフレームワークを提案する。 本フレームワークは,オープンセット環境において,優れたアノテーション効率と分類性能を実現する。
• 参考スコア（独自算出の注目度）: 7.580843551665492
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active learning (AL) has emerged as a crucial methodology for minimizing labeling costs in deep learning by selecting the most valuable samples from a pool of unlabeled data for annotation. Traditional AL operates under a closed-set assumption, where all classes in the dataset are known and consistent. However, real-world scenarios often present open-set conditions in which unlabeled data contains both known and unknown classes. In such environments, standard AL techniques struggle. They can mistakenly query samples from unknown categories, leading to inefficient use of annotation budgets. In this paper, we propose a novel dual-stage energy-based framework for open-set AL. Our method employs two specialized energy-based models (EBMs). The first, an energy-based known/unknown separator, filters out samples likely to belong to unknown classes. The second, an energy-based sample scorer, assesses the informativeness of the filtered known samples. Using the energy landscape, our models distinguish between data points from known and unknown classes in the unlabeled pool by assigning lower energy to known samples and higher energy to unknown samples, ensuring that only samples from classes of interest are selected for labeling. By integrating these components, our approach ensures efficient and targeted sample selection, maximizing learning impact in each iteration. Experiments on 2D (CIFAR-10, CIFAR-100, TinyImageNet) and 3D (ModelNet40) object classification benchmarks demonstrates that our framework outperforms existing approaches, achieving superior annotation efficiency and classification performance in open-set environments.
• Abstract（参考訳）: アクティブラーニング(AL)は、アノテーションのためのラベルなしデータのプールから最も価値のあるサンプルを選択することによって、ディープラーニングにおけるラベル付けコストを最小化する重要な手法として登場した。 従来のALは、データセットのすべてのクラスが知られ、一貫性のあるクローズドセットの仮定の下で動作します。 しかし、実世界のシナリオは、ラベルのないデータが既知のクラスと未知のクラスの両方を含むようなオープンセット条件をしばしば提示する。 このような環境では、標準AL技術は苦戦している。 未知のカテゴリからのサンプルを誤ってクエリすることは、アノテーション予算の非効率な使用につながる。 本稿では,オープンセットALのための新しい2段階エネルギーベースフレームワークを提案する。 本手法は2つの特殊エネルギーベースモデル(EBM)を用いる。 1つ目はエネルギーベースの未知のセパレータで、未知のクラスに属する可能性のあるサンプルをフィルタリングする。 2つ目は、エネルギーベースのサンプルスコアラで、フィルターされた既知のサンプルの情報量を評価する。 本モデルでは, 未知のサンプルに対して低エネルギーを割り当て, 未知のサンプルに対して高エネルギーを割り当てることで, 未知のプール内の未知のクラスと未知のクラスとを区別し, 興味のあるクラスからのサンプルのみをラベル付けするために選択する。 これらのコンポーネントを統合することで、本手法は、各イテレーションにおける学習の影響を最大化し、効率的かつターゲットとしたサンプル選択を実現する。 2D (CIFAR-10, CIFAR-100, TinyImageNet) と 3D (ModelNet40) のオブジェクト分類ベンチマーク実験により、我々のフレームワークは既存のアプローチよりも優れており、オープンセット環境において優れたアノテーション効率と分類性能を実現していることが示された。

関連論文リスト

• Revisiting Unknowns: Towards Effective and Efficient Open-Set Active Learning [32.530220943884665]
  Open-set Active Learning (OSAL) は、未ラベルデータに未確認のクラスが含まれている場合、アノテーションのための情報サンプルを特定することを目的としている。 本稿では,E$2$OAL(Effective and Efficient Open-set Active Learning)を提案する。 E$2$OALは、より強力な監視と信頼性の高いクエリの両方のためにラベル付き未知をフル活用する。
  論文  参考訳（メタデータ） (2026-03-09T02:35:36Z)
• Exploring Video-Based Driver Activity Recognition under Noisy Labels [37.804676222671]
  実世界のビデオデータは、しばしば間違ったラベル付きサンプルを含み、モデルの信頼性と性能に影響を与える。 運転者行動認識タスクに対して,最初のラベル付きノイズ学習手法を提案する。 全レベルの公開Drive&Actデータセットに関する総合的な実験は,本手法の優れた性能を示すものである。
  論文  参考訳（メタデータ） (2025-04-16T10:55:13Z)
• Class Balance Matters to Active Class-Incremental Learning [61.11786214164405]
  まず、大規模な未ラベルデータのプールから始めて、インクリメンタルな学習のための最も情報に富んだサンプルを注釈付けします。 そこで我々は,クラスバランスと情報提供性を両立させるため,クラスバランス選択(CBS)戦略を提案する。 我々のCBSは、プリトレーニング済みモデルとプロンプトチューニング技術に基づいて、これらのCILメソッドに接続し、再生することができる。
  論文  参考訳（メタデータ） (2024-12-09T16:37:27Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Entropic Open-set Active Learning [30.91182106918793]
  アクティブラーニング(AL)は、ラベルなしデータのプールから最も有用なアノテーションサンプルを選択することで、ディープモデルの性能を向上させることを目的としている。 クローズドセット設定での優れたパフォーマンスにもかかわらず、ほとんどのALメソッドは、ラベルなしデータが未知のカテゴリを含む実世界のシナリオで失敗する。 本稿では,未知分布と未知分布の両方を効果的に活用して,ALラウンド中の情報的サンプルを選択するエントロピー的オープンセットALフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T18:47:12Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Glocal Energy-based Learning for Few-Shot Open-Set Recognition [57.84234213466372]
  FSOR(Few-shot Open-set Recognition)は、非常に実用的なタスクである。 FSORのための新しいエネルギーベースハイブリッドモデルを提案する。 3つの標準FSORデータセットの実験は、我々のモデルの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-04-24T07:06:50Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Active Learning for Open-set Annotation [38.739845944840454]
  我々はLfOSAと呼ばれる新しいアクティブラーニングフレームワークを提案する。このフレームワークは、効果的なサンプリング戦略を用いて分類性能を高め、アノテーションのための既知のクラスからサンプルを正確に検出する。 実験結果から,提案手法は既知のクラスの選択精度を著しく向上し,アノテーションコストの低い分類精度を最先端の能動学習法よりも向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-01-18T06:11:51Z)

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。