クロスドメイン数ショットメタ学習(CDFSML)は、知識を複数のソースドメインから、明示的に異なる入力分布を持つインスタンスの少ないターゲットドメインに転送する必要がある学習の問題に対処します。最近公開されたCDFSMLメソッドは、一般に、複数のソースドメインの知識を1つのバックボーン特徴抽出器に結合する「ユニバーサルモデル」を構築します。これにより、効率的な推論が可能になりますが、新しいソースドメインが追加されるたびに、バックボーンの再計算が必要になります。さらに、最先端の方法では、バックボーンのコレクション(通常はソースドメインごとに1つ)からユニバーサルモデルを導出します。バックボーンは、ユニバーサルモデルと同じアーキテクチャを持つように制約される場合があります。メタ学習への古典的なスタッキングアプローチに触発されたCDFSMLメソッドを提案します。バックボーンのアーキテクチャや機能
Non-negative Sparse and Collaborative Representation for Pattern Classification スパース表現(SR)と協調表現(CR)は、顔認識などの多くのパターン分類タスクに正常に適用されています。この論文では、パターン分類のための新しい非負のスパースおよび協調表現(NSCR)を提案します。各テストサンプルのNSCR表現は、トレーニングサンプルの線形結合としてテストサンプルを表す非負のスパースで協調的な表現ベクトルを探すことによって取得されます。非負性により、SRとCRがより識別可能になり、パターン分類に効果的であることがわかります。提案されたNSCRに基づいて、パターン分類のためのNSCRベースの分類器を提案します。ベンチマークデータセットに関する広範な実験は、提案されたNSCRベースの分類器が、多様な挑戦的なパターン分類
Multi-Class 3D Object Detection with Single-Class Supervision 多くのロボット工学アプリケーションではマルチクラスの3D検出器が必要ですが、完全にラベル付けされたデータセットを使用してそれらをトレーニングすると、ラベル付けのコストが高くなる可能性があります。別のアプローチは、互いに素なデータサンプルに単一クラスのラベルをターゲットにすることです。この論文では、これらの単一クラスのラベル付きデータを使用しながら、マルチクラスの3Dオブジェクト検出モデルをトレーニングすることに関心があります。まず、部分的監督や半教師ありなどの関連概念に関して、「シングルクラス監督」(SCS)設定の独自のスタンスを詳しく説明します。次に、Range Sparse Net(RSN)のマルチクラスバージョンのトレーニングのケーススタディに基づいて、教師あり
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く