GMM-IL : 작은 샘플 크기에 대한 점진적으로 토토사이트 된 독립적 인 확률 론적 모델을 사용한 이미지 분류

인용

Johnston P, Nogueira K & Swingler K (2023) GMM-IL : 작은 샘플 크기에 대한 점진적으로 토토사이트 된 독립적 인 확률 론적 모델을 사용한 이미지 분류IEEE 액세스, 11, pp. 25492-25501. https://doi.org/10.1109/access.2023.3255795

Abstract
깊은 토토사이트 분류기가 감독 토토사이트을 통해 새로운 수업을 배우려고 할 때 치명적인 잊어 버리는 문제를 나타냅니다. 이 논문에서 우리는 가우스 혼합 모델-증분 토토사이트자 (GMM-IL)를 제안합니다. 새로운 2 단계 아키텍처는 감독되지 않은 시각적 기능 토토사이트을 감독 된 확률 론적 모델과 각 클래스를 대표하는 감독되지 않은 시각적 기능 토토사이트을 연결합니다. GMM-IL의 주요 참신함은 각 클래스가 다른 클래스와 독립적으로 토토사이트된다는 것입니다. 새로운 클래스는 기존 클래스에서 데이터를 다시 배울 필요가없는 작은 주석이 달린 이미지 세트를 사용하여 점차 토토사이트 할 수 있습니다. 이를 통해 클래스를 모델에 점진적으로 추가 할 수 있으며, 시각적 특징에 의해 색인화되고 인식에 따라 추론 할 수 있습니다. 독립적 인 클래스를 나타내는 가우스 혼합물 모델을 사용하여 SoftMax 헤드를 갖는 동등한 네트워크의 벤치 마크를 능가하여 샘플 범위에서 12보다 작은 샘플 크기에 대한 정확도가 증가하고 가중치가 높아진 F1 점수가 증가했습니다. 이 새로운 방법은 새로운 클래스의 새로운 클래스를 새 클래스의 몇 가지 주석이 달린 이미지에만 액세스 할 수있는 시스템에 추가 할 수 있습니다.

키워드
작업 분석; 심상; 이미지 분류; 확률 적 논리; 신경망; 통계; 가우스 혼합 모델

저널
IEEE 액세스 : 볼륨 11

• 게시 된 버전