Jun, 2023

利用一对一深度学习策略和联合概率估计进行多类别分类

PDF
TL;DR本文提出了一种新的 One-versus-One（OvO）多分类模型，该模型结合了联合概率测量，通过解决联合概率距离最小化问题来估计主体的类概率，从而在不同应用中实现了比其他现有技术更高的分类准确性。
one-versus-onemulti-classificationbinary classifiersdeep learningclassification accuracy
发现论文，激发创造
  • 深度神经网络不确定性的一对多量化（OVNNI）

    这项研究提出了一种新技术，即利用混合一组深度神经网络的预测与标准深度神经网络的预测来量化数据的认识不确定性，从而在多个数据集和架构中实现高水平的预测表现。

    Jun, 2020

  • 神经网络中重新审视一对多分类器的预测不确定性和越界检测

    本研究旨在提高神经网络参数化概率形式的精度，以改善预测不确定性和检测分布外输入。通过将 softmax 交叉熵与其他概率形式进行比较，作者发现一对全制配方可以提高图像分类的校准，同时与 softmax 的预测性能相匹配，没有额外的训练或测试时间复杂度。

    Jul, 2020

  • 统一的分类和拒绝：一对多的框架

    通过使用统一框架和混合训练策略，本文在开放世界模式识别中建立了一个能够同时进行分类和拒绝未知输入的开放集分类器，实验证明该方法在闭集分类、未知输入检测和错误分类检测中表现竞争性。

    Nov, 2023

  • 多标签分类网络是否可以知道它不知道的事情？

    我们提出了一种名为 JointEnergy 的简单有效方法，可以有效降低在多标签分类中的误假阳性率，该方法从多个标签的能量得分中聚合获得 OOD 指示器分数。

    Sep, 2021

  • 一比多注意力：可扩展多模态集成

    提出了一种新颖的领域中性注意机制，称为 One-Versus-Others（OvO）注意力，可在不降低准确性的情况下降低计算复杂度，并显示与流行的融合技术相比具有更高的性能。

    Jul, 2023

  • 统一开放词汇密集视觉预测

    本文提出了统一开放词汇网络（UOVN），用于联合解决四个常见的密集预测任务，通过与单独模型相比较，统一网络更适用于不同的工业应用，并能集成多样化的训练数据来提升个别任务的效果。本文解决了统一 OV 预测面临的两个主要挑战：多模态多尺度和多任务解码机制，以及不同任务和域之间存在的巨大差异。实验表明，UOVN 的有效性。

    Jul, 2023

  • 无监督多数据集的二分类几乎免于监督

    提出了一种用于多个未标记数据集的二元分类的新框架（MU-OPPO），旨在使用仅知道数据集的类先验排序之间的相对顺序的情况下，解决一个仅有一对类先验的二元分类问题，使用该新框架可使标注成本几乎为零。

    Jun, 2023

  • 多层级聚合作为基于特征的 OOD 检测关键

    通过对大量的异常数据进行实验比较，我们发现基于特征的异常检测方法中，多层方法始终表现优异，而单层方法的性能不稳定且取决于异常类型，同时异常检测的性能也高度依赖于神经网络的架构。

    Jul, 2023

  • 提高多标签图像分类的成对排名

    本研究提出两种技术来改进基于成对排名的多标签图像分类：（1）我们提出了一种新的损失函数，平滑且容易优化；（2）我们将标签决策模块纳入模型，估算每个视觉概念的最优置信阈值。我们在三个大规模数据集（VOC2007、NUS-WIDE 和 MS-COCO）上展示了我们方法的有效性，并取得了文献中报道的最佳结果。

    Apr, 2017

  • 多类别学习方法：理论比较与影响

    本论文在五种流行的多分类方法中进行理论分析和比较，并使用 VC 理论分析了这些方法的估计误差和逼近误差，得出了一些实用的结论。

    May, 2012