論文の概要: DeCO: Discriminative Evidence Composition for Fine-Grained Dataset Distillation

• arxiv url: http://arxiv.org/abs/2608.25480v1
• Date: Wed, 26 Aug 2026 07:52:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.661181
• Title: DeCO: Discriminative Evidence Composition for Fine-Grained Dataset Distillation
• Title（参考訳）: DeCO:微粒化データセット蒸留のための識別的エビデンス組成
• Abstract要約: 細粒度データセットの蒸留を予算付き識別エビデンス保存として定式化し, 識別エビデンス組成(DeCO)を提案する。 DeCOは、事前訓練されたTransFG教師からの注意ロールアウトを使用して情報パッチを特定し、冗長なカバレッジを減らすために空間的多様化を適用し、その結果のリージョンをクラスワイドなエビデンスバンクに編成する。 CUB-200-2011、FGVC-Aircraft、Stanford Carsの実験では、DeCOは、異なるIPC予算の下で代表コアセットとデータセット蒸留ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 46.08468847081564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dataset distillation compresses a large training set into a compact synthetic set while preserving its downstream utility. However, existing methods primarily preserve global image statistics and may overlook the localized evidence essential for fine-grained visual classification (FGVC), such as object parts, subtle textures, and region-specific structures. We formulate fine-grained dataset distillation as budgeted discriminative-evidence preservation and propose Discriminative Evidence Composition (DeCO). DeCO uses attention rollout from a pretrained TransFG teacher to identify informative patches, applies spatial diversification to reduce redundant coverage, and organizes the resulting regions into class-wise evidence banks. Multiple same-class regions are then packed into compact grid-composed images. The teacher is used only for dataset construction, whereas downstream students are trained with standard hard-label supervision without teacher logits. Experiments on CUB-200-2011, FGVC-Aircraft, and Stanford Cars show that DeCO consistently outperforms representative coreset and dataset-distillation baselines under different IPC budgets.
• Abstract（参考訳）: データセット蒸留は、下流のユーティリティを保ちながら、大規模なトレーニングセットをコンパクトな合成セットに圧縮する。 しかし、既存の手法は主にグローバルな画像統計を保存しており、オブジェクトの部分、微妙なテクスチャ、地域固有の構造など、微細な視覚分類(FGVC)に必要な局所的な証拠を見落としてしまう可能性がある。 細粒度データセットの蒸留を予算付き識別証拠保存として定式化し, 識別証拠組成(DeCO)を提案する。 DeCOは、事前訓練されたTransFG教師からの注意ロールアウトを使用して情報パッチを特定し、冗長なカバレッジを減らすために空間的多様化を適用し、その結果のリージョンをクラスワイドなエビデンスバンクに編成する。 その後、複数の同一の領域がコンパクトなグリッド構成のイメージにまとめられる。 教師はデータセットの構築にのみ使用されるが、下流の学生は教師のロジットなしで標準のハードレーベルの監督で訓練される。 CUB-200-2011、FGVC-Aircraft、Stanford Carsの実験では、DeCOは、異なるIPC予算の下で代表コアセットとデータセット蒸留ベースラインを一貫して上回っている。

関連論文リスト

• An Ensemble-Based Self-Taught Learning Approach for Parking Space Classification Under Limited Data [0.0]
  畳み込みオートエンコーダを用いた教師なし表現学習に基づく自己学習フレームワークについて検討する。 提案手法はラベルのないデータから伝達可能な視覚表現を学習し、教師付き分類のための固定特徴抽出器として学習エンコーダを再利用する。 PKLot と CNRPark のベンチマークで行った実験から,提案したアンサンブルベースの戦略はアノテーションの要求を大幅に低減することが示された。
  論文  参考訳（メタデータ） (2026-09-03T01:35:02Z)
• Dataset Distillation Based on Saliency-Driven Prototype Alignment [7.671427495273854]
  本稿では,代表性と一般化性を高めるために,クラス識別型潜水型蒸留機を構成する塩分蒸留フレームワークを提案する。 フレームワークは次の2つの段階で進行する: (1)Grad-CAM++サリエンシは、クラス識別領域を強調するプロトタイプを構築するために使用され、(2)ハードプロトタイプの改良は、挑戦的だがクラス一貫性のあるプロトタイプを構築するために適用される。 複数のベンチマークの実験では、強いベースラインよりも一貫したパフォーマンス改善が示されている。
  論文  参考訳（メタデータ） (2026-07-28T06:05:12Z)
• Selectivity Drives Efficiency: Dataset Pruning for Visual Place Recognition [52.52131290631774]
  視覚的位置認識(VPR)に適したプレースワイズ・データセット・プルーニング・フレームワークを提案する。 本手法は,各場所を基本刈取単位として扱い,IPD(Intra-place diversity)とIPS(Inter-place similarity)の2つの新しい指標を導入する。 実験により, 提案手法は, 最先端のDPベースラインを異なるプルーニング比で連続的に上回ることを示した。
  論文  参考訳（メタデータ） (2026-07-16T12:16:00Z)
• SWARD: Stochastic Window-Attention-Based Relational Distillation for Cross-Architectural Semantic Segmentation [1.1617094867403568]
  大規模視覚基盤モデルは、セマンティックセグメンテーションのような密集した予測タスクに大きな利益をもたらした。 現代の基礎教師は、主にグローバルコンテキストを符号化するトランスフォーマーベースであるのに対し、効率的な学生は、通常、局所的に偏った受容場を持つ畳み込みネットワークである。 既存の蒸留法は主に構造的均質性を前提としており、直接的特徴模倣に依存しており、この表現的ギャップを埋めることができない。 本稿では,このギャップを2つの相補的なメカニズムで解決する知識蒸留フレームワークSWARDを提案する。
  論文  参考訳（メタデータ） (2026-05-31T04:29:31Z)
• FD$^2$: A Dedicated Framework for Fine-Grained Dataset Distillation [46.27405453279254]
  微細なデータセット蒸留のためのフレームワークであるFD$2$を提案する。 事前訓練中、きめ細かい特性制約は、各サンプルをそのクラスプロトタイプと整列させ、他のサンプルを撃退する。 複数のきめ細かいデータセットと一般的なデータセットの実験により、FD$2$は非結合DDとシームレスに統合されることが示された。
  論文  参考訳（メタデータ） (2026-03-26T08:03:45Z)
• Improved Object-Centric Diffusion Learning with Registers and Contrastive Alignment [83.56510119503265]
  事前訓練された拡散モデルによるスロット注意(SA)は、最近オブジェクト中心学習(OCL)の可能性を示唆しているが、スロットの絡み合いや、オブジェクトスロットと画像内容との弱いアライメントに悩まされている。 提案するCODA(Contrastive Object-centric Diffusion Alignment)は,(i)残響を吸収し,オブジェクトスロット間の干渉を低減するためにレジスタスロットを使用する単純な拡張であり,(ii)スロットイメージ対応を明示的に促進するためにコントラストアライメントロスを適用する。
  論文  参考訳（メタデータ） (2026-01-03T16:10:18Z)
• Aerial View River Landform Video segmentation: A Weakly Supervised Context-aware Temporal Consistency Distillation Approach [20.833194584822532]
  UAVリモートセンシングによる地形と地形分類の研究は、地上車両のパトロール作業と大きく異なる。 この研究は、空中位置決め作業において、平均的連邦間(mIoU)と時間的一貫性(TC)の両方が最重要であることを裏付けている。 キーデータのみを選択することは、TCの強化を欠くため、失敗につながるため、完全なラベル付きデータが最適な選択ではないことが示されている。
  論文  参考訳（メタデータ） (2025-11-20T13:26:38Z)
• iCD: A Implicit Clustering Distillation Mathod for Structural Information Mining [1.3573542141741506]
  暗黙的クラスタリング蒸留(iCD)は、論理から解釈可能な構造知識を抽出し、転送する単純で効果的な方法である。 ベンチマークデータセットの実験は、多様な教師/学生アーキテクチャにおけるiCDの有効性を示す。
  論文  参考訳（メタデータ） (2025-09-16T01:16:13Z)
• Concept Drift and Long-Tailed Distribution in Fine-Grained Visual Categorization: Benchmark and Method [84.68818879525568]
  コンセプションドリフトとLong-Tailed Distributionデータセットを提案する。 インスタンスの特徴は時間によって異なり、長い尾の分布を示す傾向がある。 本稿ではCDLTに関連する学習課題に対処する機能組換えフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-04T12:42:45Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
  弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。 これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。 本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-03-02T13:59:41Z)

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。