Using Unlabeled Data for Increasing Low-Shot Classification Accuracy of Relevant and Open-Set Irrelevant Images

要約

自律地上車両で実行される検索、探索、および偵察タスクでは、対象となるオブジェクト（関連クラス）を具体的に識別すると同時に、候補画像が関連クラスのいずれにも属していない場合（関連なし）を認識するために、画像分類機能が必要です。
画像）。
この論文では、トレーニング中に、関連するクラスごとに適度な数（40未満）のラベル付き画像と、各エポックでランダムに選択されたラベルなしの無関係な画像を使用する開集合ローショット分類器を紹介します。
トレーニングプロセス。
新しい分類器は、関連するクラスから画像を識別し、候補画像がいつ無関係であるかを判断することができ、トレーニングに含まれていなかった（見えない）無関係な画像のカテゴリをさらに認識することができます。
提案されたローショット分類器は、畳み込みニューラルネットワークを構築するときに、事前にトレーニングされた特徴抽出器の最上層として取り付けることができます。

要約(オリジナル)

In search, exploration, and reconnaissance tasks performed with autonomous ground vehicles, an image classification capability is needed for specifically identifying targeted objects (relevant classes) and at the same time recognize when a candidate image does not belong to anyone of the relevant classes (irrelevant images). In this paper, we present an open-set low-shot classifier that uses, during its training, a modest number (less than 40) of labeled images for each relevant class, and unlabeled irrelevant images that are randomly selected at each epoch of the training process. The new classifier is capable of identifying images from the relevant classes, determining when a candidate image is irrelevant, and it can further recognize categories of irrelevant images that were not included in the training (unseen). The proposed low-shot classifier can be attached as a top layer to any pre-trained feature extractor when constructing a Convolutional Neural Network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google