文献

J-GLOBAL ID：202202280221075647   整理番号：22A0959301

半教師付き少数ショット学習のためのサンプル中心特徴生成【JST・京大機械翻訳】

Sample-Centric Feature Generation for Semi-Supervised Few-Shot Learning

著者 (7件)： Zhang Bo (School of Information Science and Technology, Fudan University, Shanghai, China) ,  Ye Hancheng (School of Information Science and Technology, Fudan University, Shanghai, China) ,  Yu Gang (Tencent GY-Laboratory, Shanghai, China) ,  Wang Bin (School of Information Science and Technology, Fudan University, Shanghai, China) ,  Wu Yike (School of Information Science and Technology, Fudan University, Shanghai, China) ,  Fan Jiayuan (Academy for Engineering and Technology, Fudan University, Shanghai, China) ,  Chen Tao (School of Information Science and Technology, Fudan University, Shanghai, China)
資料名： IEEE Transactions on Image Processing  (IEEE Transactions on Image Processing)
巻： 31  ページ： 2309-2320  発行年： 2022年 
JST資料番号： W0364A  ISSN： 1057-7149  CODEN： IIPRE4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 半教師つき少数ショット学習は,限られたラベル付きデータと広く利用可能なラベルなしデータの両方によって,モデル一般化能力を改善することを目的とする。以前の研究は,エピソード訓練戦略を用いてラベル伝搬または偽ラベリングプロセスを実行することにより,少数ショットラベル付きデータと余分なラベルなしデータの間の関係をモデル化することを試みた。しかし,擬似ラベル付きデータ自体によって代表される特徴分布は粗粒であり,擬似ラベルデータと実際の質問データの間に大きな分布ギャップがあるかもしれないことを意味する。この目的のために,半教師つき少数ショット画像分類のためのサンプル中心特徴生成(SFG)アプローチを提案した。特に,異なるクラスからの少数ショット標識サンプルを,潜在的ラベルなしサンプルのための擬似ラベルを予測するために最初に訓練した。次に,半教師つきメタジェネレータを利用して,各擬似ラベル化サンプルの周りに中心を中心とする微分特徴を生成し,クラス内特徴多様性を豊かにした。一方,サンプル中心生成は,生成特徴をコンパクトで,擬似ラベル化サンプルに近く,クラス間特徴識別可能性を保証した。さらに,信頼性評価(RA)メトリックを開発し,モデル学習に対する生成異常値の影響を弱めた。広範な実験は,挑戦的な1および数ショット画像分類ベンチマークに対する提案した特徴生成手法の有効性を検証した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  データ ,  ラベル ,  *試料 ,  間隙 ,  微分 ,  粒状材 ,  異常値 ,  有効性 ,  知識獲得 ,  ベンチマーク
準シソーラス用語： 信頼性評価 ,  画像分類 ,  ホップ数 ,  ラベル伝搬 ,  ラベルなしデータ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 教師 ,  少数ショット学習 ,  サンプル