論文の概要: Few-shot Class-variable Incremental Audio Classification via Prototype Adaptation and Pseudo Class-variable Training

• arxiv url: http://arxiv.org/abs/2606.08898v1
• Date: Mon, 08 Jun 2026 00:50:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.509662
• Title: Few-shot Class-variable Incremental Audio Classification via Prototype Adaptation and Pseudo Class-variable Training
• Title（参考訳）: プロトタイプ適応と擬似クラス可変訓練によるクラス可変インクリメンタルオーディオ分類
• Authors: Yanxiong Li, Guoqing Chen, Qianqian Li, Sen Huang,
• Abstract要約: クラス可変インクリメンタルオーディオ分類の問題について検討する。 授業数は一般に増加または減少する。 本研究では,プロトタイプ適応と擬似クラス変数学習を用いたFCIAC手法を提案する。
• 参考スコア（独自算出の注目度）: 14.268388282335962
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the task of few-shot class-incremental audio classification, the number of classes is assumed to always increase without considering the possibility of decrease. However, the number of classes generally increases or decreases in practice. In this paper, we investigate a problem of Few-shot Class-variable Incremental Audio Classification (FCIAC), in which the number of classes increases or decreases. We propose a FCIAC method using prototype adaptation and pseudo class-variable training. The model in our method consists of an encoder and a classifier. The classifier is initialized by a class-variable prototype adaptation network, whose structure dynamically changes with the change of classes. In addition, we design a pseudo class-variable training strategy to enhance the model's adaptability to changing classes. Experiments on three public datasets show that our method exceeds previous methods in average accuracy. The code is at: https://github.com/cgq2971-afk/FCIAC.
• Abstract（参考訳）: クラス増分音声分類の課題では、減少の可能性を考慮せずに、クラス数が常に増加すると仮定される。 しかし、一般的に授業数は増加または減少する。 本稿では,Few-shot Class-variable Incremental Audio Classification (FCIAC)の問題について考察する。 プロトタイプ適応と擬似クラス可変トレーニングを用いたFCIAC手法を提案する。 本手法のモデルはエンコーダと分類器から構成される。 分類器は、クラスの変更によって動的に構造が変化するクラス可変プロトタイプ適応ネットワークによって初期化される。 さらに、クラス変更に対するモデルの適応性を高めるために、擬似クラス可変トレーニング戦略を設計する。 3つの公開データセットに対する実験により,提案手法が従来の手法を平均精度で上回っていることが示された。 コードは:https://github.com/cgq2971-afk/FCIAC。

関連論文リスト

• CALA: A Class-Aware Logit Adapter for Few-Shot Class-Incremental Learning [9.963958892953876]
  疑似増分学習パラダイムを用いてバイアス予測の正当性を学習する軽量なアダプタを提案する。 提案手法は,疑似増分学習パラダイムを用いてバイアス予測の正当性を学習する軽量アダプタを含む。
  論文  参考訳（メタデータ） (2024-12-17T08:21:46Z)
• Knowledge Adaptation Network for Few-Shot Class-Incremental Learning [23.90555521006653]
  クラス増分学習(class-incremental learning)は、いくつかのサンプルを使用して、新しいクラスを段階的に認識することを目的としている。 この問題を解決する効果的な方法の1つは、原型進化分類器を構築することである。 新しいクラスの表現は弱で偏りがあるので、そのような戦略は準最適であると主張する。
  論文  参考訳（メタデータ） (2024-09-18T07:51:38Z)
• CBR - Boosting Adaptive Classification By Retrieval of Encrypted Network Traffic with Out-of-distribution [9.693391036125908]
  一般的なアプローチの1つは、一定の数のクラスで機械学習またはディープラーニングベースのソリューションを使用することである。 未知のクラスを扱うソリューションの1つは、モデルを再トレーニングすることである。 本稿では,暗号ネットワークトラフィック分類の新しいアプローチであるRetrieval CBRによる適応分類を提案する。
  論文  参考訳（メタデータ） (2024-03-17T13:14:09Z)
• Few-Shot Class-Incremental Learning via Training-Free Prototype Calibration [67.69532794049445]
  既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。 我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-08T18:24:08Z)
• CA2: Class-Agnostic Adaptive Feature Adaptation for One-class Classification [37.96353879426153]
  一クラス分類のためのクラス非依存適応型特徴適応法(CA2)を提案する。 センターベース手法を未知のクラスに一般化し、事前学習ネットワークに存在する事前学習に基づいて、この目的を最適化する。 CA2は1から1024までのトレーニングデータクラスのOCCパフォーマンスを継続的に改善し、最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2023-09-04T09:39:34Z)
• Class-Incremental Learning with Strong Pre-trained Models [97.84755144148535]
  CIL(Class-incremental Learning)は、少数のクラス(ベースクラス)から始まる設定で広く研究されている。 我々は、多数のベースクラスで事前訓練された強力なモデルから始まるCILの実証済み実世界の設定について検討する。 提案手法は、解析されたCIL設定すべてに頑健で一般化されている。
  論文  参考訳（メタデータ） (2022-04-07T17:58:07Z)
• Simpler is Better: Few-shot Semantic Segmentation with Classifier Weight Transformer [112.95747173442754]
  数ショットのセマンティックセグメンテーションモデルは典型的にはCNNエンコーダ、CNNデコーダ、単純な分類器から構成される。 既存のほとんどのメソッドは、新しいクラスに迅速に適応するために、3つのモデルコンポーネント全てをメタ学習する。 本稿では,最も単純なコンポーネントである分類器にのみ焦点をあてて,メタ学習タスクの簡略化を提案する。
  論文  参考訳（メタデータ） (2021-08-06T10:20:08Z)
• Fine-grained Angular Contrastive Learning with Coarse Labels [72.80126601230447]
  教師付きおよび自己監督型コントラスト前訓練を効果的に組み合わせることができる新しい「Angularの正規化」モジュールを紹介します。 この研究は、C2FS分類のこの新しい、挑戦的で、非常に実用的なトピックに関する将来の研究の道を開くのに役立ちます。
  論文  参考訳（メタデータ） (2020-12-07T08:09:02Z)
• Learning Adaptive Embedding Considering Incremental Class [55.21855842960139]
  CIL(Class-Incremental Learning)は,未知のクラスを逐次生成するストリーミングデータを用いて,信頼性の高いモデルをトレーニングすることを目的としている。 従来のクローズドセット学習とは異なり、CILには2つの大きな課題がある。 新たなクラスが検出された後、以前のデータ全体を使用して再トレーニングすることなく、モデルを更新する必要がある。
  論文  参考訳（メタデータ） (2020-08-31T04:11:24Z)

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。