Controlling Class Layout for Deep Ordinal Classification via Constrained Proxies Learning

要約

タイトル：制約つきプロキシー学習によるディープ・オーディナル・クラス分類におけるクラス配置の制御

要約：

– ディープ・オーディナル・クラス分類においては、オーディナルな性質を正しく捉えるために、オーディナル・クラスに固有のよく構造化された特徴空間を学習することが有益である。
– 特徴空間にユークリッド距離メトリックが使用される場合、理想的なオーディナルなレイアウトは、サンプルクラスタが空間上の直線に沿ってクラス順に配置されるものとなる。
– しかし、特徴空間でサンプルを特定のレイアウトに適合させることは難しいため、この問題に対処するために、本研究では、プロキシの制約付き学習（CPL）という新しい手法を提案する。
– CPLは、各オーディナルクラスに対するプロキシを学習し、これらのプロキシを制約することによって、クラスのグローバルなレイアウトを調整できる方法である。
– 具体的には、ハードレイアウト制約とソフトレイアウト制約の2つの戦略が提案される。ハードレイアウト制約は、プロキシの生成を直接制御することによって、ストリートラインレイアウトまたはセミサーキュラーレイアウト（つまり、厳密なオーディナルレイアウトの2つの実装）に配置されるように強制することで実現される。ソフトレイアウト制約は、各プロキシのプロキシ間類似性分布が常に単峰的であるように制約することによって実現する（つまり、緩和されたオーディナルレイアウトである）。
– 実験の結果、本研究で提案されたCPL法は、特徴抽出器の同じ設定下で、以前のディープ・オーディナル・クラス分類手法を上回る性能を発揮する。

要約(オリジナル)

For deep ordinal classification, learning a well-structured feature space specific to ordinal classification is helpful to properly capture the ordinal nature among classes. Intuitively, when Euclidean distance metric is used, an ideal ordinal layout in feature space would be that the sample clusters are arranged in class order along a straight line in space. However, enforcing samples to conform to a specific layout in the feature space is a challenging problem. To address this problem, in this paper, we propose a novel Constrained Proxies Learning (CPL) method, which can learn a proxy for each ordinal class and then adjusts the global layout of classes by constraining these proxies. Specifically, we propose two kinds of strategies: hard layout constraint and soft layout constraint. The hard layout constraint is realized by directly controlling the generation of proxies to force them to be placed in a strict linear layout or semicircular layout (i.e., two instantiations of strict ordinal layout). The soft layout constraint is realized by constraining that the proxy layout should always produce unimodal proxy-to-proxies similarity distribution for each proxy (i.e., to be a relaxed ordinal layout). Experiments show that the proposed CPL method outperforms previous deep ordinal classification methods under the same setting of feature extractor.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI