Meta learning for few-shot one-class classification

• Ano de defesa: 2022
• Autor(a) principal: Dahia, Gabriel
• Orientador(a): Segundo, Maurício Pamplona
• Banca de defesa: Segundo, Mauricio Pamplona , Lemes, Rubisley de Paula , Faria, Fabio Augusto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal da Bahia
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação (PGCOMP)
• Departamento: Instituto de Computação - IC
• País: Brasil
• Palavras-chave em Português: Meta-Aprendizagem; Visão computacional; Aprendizado do computador
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://repositorio.ufba.br/handle/ri/35422

A detecção confiável e automática de anomalias é um problema fundamental em vários domínios. Suas carteiras médicas de segurança financeira para imagens. Uma maneira comum de abordar esse problema é equadrá-lo como um problema de classificação de uma classe: o problema conhecido apenas da classificação normal a priori deve determinar de quais dos novos exemplos também são normais. O sucesso dessa abordagem em algumas tarefas, os avanços recentes do Machine Learning devido às Deep Neural Networks ainda não atingiram as técnicas de classificação de uma classe. Tentativas anteriores de trazer esses avanços para o campo necessário compromissos, como impor ao poder de representação das neurais. Isso é indesejável porque um dos principais pontos fortes da abordagem de Deep Learning é ferramentas úteis diretamente dos dados, em vez de depender da engenharia manual de recursos. Propomos um método que pode realizar uma classificação de uma classe com um compromisso diferente. Nosso método não funciona na arquitetura de rede em vez disso, rotulou dados de tarefas relacionadas, um requisito que não está disponível para todos cenário. tarefas relacionadas Classificação de classe de meta-aprendizagem: o estágio de meta-treinamento como recurso recorrente de classificação de uma classe, o estágio de meta-treinamento como recurso de classificação de uma classe, escolhido para aprender uma representação de uma classe. Mostramos como o Support Vector Data Description (SVDD) pode ser usado com nosso método, e propor uma variante mais simples baseada em Redes Prototípicas que obtém desempenho comparável. Isso indica que aprender representações de recursos diretamente dos dados pode ser mais importante do que o de uma classe que escolhemos. Validamos nossa abordagem adaptando conjuntos de dados de classificação de poucos disparos ao cenário de classificação de poucos disparos, obtendo resultados semelhantes ao estado da arte da classificação tradicional de uma classe, e que melhora a classificação de uma classe de base de classificação empregados na configuração de poucos tiros. Além disso, como aplicação prática, empregamos nosso método na tarefa biométrica de verificação facial no dispositivo. Nesse cenário, ele se compara favoravelmente a uma técnica de aprendizado de métrica padrão.