Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Generalized 0-shot learning in image classification: with the quasi-fully supervised method and variants

Εναλλακτικός τίτλος :	Γενικευμένο πρόβλημα μάθησης χωρίς παραδείγματα εκπαίδευσης στην κατηγοριοποίηση εικόνας

Δημιουργός :	Papadoudis, Stratos Kovalkov Παπαδούδης, Στράτος

Συντελεστής :	Malakasiotis, Prodromos (Επιβλέπων καθηγητής) Androutsopoulos, Ion (Εξεταστής) Vassalos, Vasilios (Εξεταστής) Athens University of Economics and Business, Department of Informatics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	52p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9010

Περίληψη :	In this work we explore the generalized zero-shot problem in image classification specifically to address the primary problem in this setting, the domain shift, by which, naive models are biased to predict images in inference mode towards the seen classes. There exists a variety of methods addressing the problem in various settings. In this work, the quasi-fully supervised approach is explored, along with variations in combination with the EfficientNet, for producing visual features, to test if various biases toward unseen classes have an improving effect on their prediction. Σε αυτήν τη δουλειά εξερευνούμε το γενικευμένο πρόβλημα μάθησης χωρίς παραδείγματα εκπαίδευσης στην κατηγοριοποίηση εικόνας, αντιμετωπίζοντας το βασικότερο πρόβλημα στο πλαίσιο αυτό, τη μετατόπιση πεδίου, βάσει της οποίας απλά μοντέλα μεροληπτούν υπέρ των φανερών κλάσεων. Υπάρχει μια πληθώρα μεθόδων που αντιμετωπίζουν το πρόβλημα σε διάφορα πλαίσια. Εδώ επικεντρωνόμαστε στην μέθοδο της σχεδόν-πλήρους επιβλεπόμενης μάθησης και παραλλαγές αυτής, με χρήση του EfficientNet για την παραγωγή οπτικών χαρακτηριστικών, ώστε να ελεγχθεί αν η χρήση μεροληψίας προς τις κρυφές κλάσεις βελτιώνει την απόδοση του συνολικού μοντέλου.

Περίληψη :

In this work we explore the generalized zero-shot problem in image classification specifically to address the primary problem in this setting, the domain shift, by which, naive models are biased to predict images in inference mode towards the seen classes. There exists a variety of methods addressing the problem in various settings. In this work, the quasi-fully supervised approach is explored, along with variations in combination with the EfficientNet, for producing visual features, to test if various biases toward unseen classes have an improving effect on their prediction.
Σε αυτήν τη δουλειά εξερευνούμε το γενικευμένο πρόβλημα μάθησης χωρίς παραδείγματα εκπαίδευσης στην κατηγοριοποίηση εικόνας, αντιμετωπίζοντας το βασικότερο πρόβλημα στο πλαίσιο αυτό, τη μετατόπιση πεδίου, βάσει της οποίας απλά μοντέλα μεροληπτούν υπέρ των φανερών κλάσεων. Υπάρχει μια πληθώρα μεθόδων που αντιμετωπίζουν το πρόβλημα σε διάφορα πλαίσια. Εδώ επικεντρωνόμαστε στην μέθοδο της σχεδόν-πλήρους επιβλεπόμενης μάθησης και παραλλαγές αυτής, με χρήση του EfficientNet για την παραγωγή οπτικών χαρακτηριστικών, ώστε να ελεγχθεί αν η χρήση μεροληψίας προς τις κρυφές κλάσεις βελτιώνει την απόδοση του συνολικού μοντέλου.

Λέξη κλειδί :	Zeroshot learning Image classification Domain shift problem Quasifully supervised learning Μάθηση χωρίς παραδείγματα εκπαίδευσης Κατηγοριοποίηση εικόνας Πρόβλημα μετατόπισης πεδίου Σχεδόν-πλήρης επιβλεπόμενη μάθηση

Διαθέσιμο από :	2022-01-03 12:57:00

Ημερομηνία έκδοσης :	2021

Ημερομηνία κατάθεσης :	2022-01-03 12:57:00

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Papadoudis_2021.pdf

Τύπος: application/pdf

Papadoudis_2021.zip

Είσοδος