Buchumschlag

Fine-grained Classes and How to Find Them

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Grcić, Matej, Gadetsky, Artyom, Brbić, Maria
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Outlier detection by ensembling uncertainty with negative objectness
von: Delić, Anja, et al.
Veröffentlicht: (2024)

Let Go of Your Labels with Unsupervised Transfer
von: Gadetsky, Artyom, et al.
Veröffentlicht: (2024)

Utility-Fairness Trade-Offs and How to Find Them
von: Dehdashtian, Sepehr, et al.
Veröffentlicht: (2024)

Hybrid Open-set Segmentation with Synthetic Negative Data
von: Grcić, Matej, et al.
Veröffentlicht: (2023)

Fantastic Multi-Task Gradient Updates and How to Find Them In a Cone
von: Hassanpour, Negar, et al.
Veröffentlicht: (2025)

Fantastic Biases (What are They) and Where to Find Them
von: Barriere, Valentin
Veröffentlicht: (2024)

Sequential keypoint density estimator: an overlooked baseline of skeleton-based video anomaly detection
von: Delić, Anja, et al.
Veröffentlicht: (2025)

With Limited Data for Multimodal Alignment, Let the STRUCTURE Guide You
von: Gröger, Fabian, et al.
Veröffentlicht: (2025)

Revisiting the Platonic Representation Hypothesis: An Aristotelian View
von: Gröger, Fabian, et al.
Veröffentlicht: (2026)

Fantastic Gains and Where to Find Them: On the Existence and Prospect of General Knowledge Transfer between Any Pretrained Model
von: Roth, Karsten, et al.
Veröffentlicht: (2023)

Fantastic Targets for Concept Erasure in Diffusion Models and Where To Find Them
von: Bui, Anh, et al.
Veröffentlicht: (2025)

Why Fine-grained Labels in Pretraining Benefit Generalization?
von: Hong, Guan Zhe, et al.
Veröffentlicht: (2024)

Automatic Fine-grained Segmentation-assisted Report Generation
von: Jonske, Frederic, et al.
Veröffentlicht: (2025)

Fantastic Copyrighted Beasts and How (Not) to Generate Them
von: He, Luxi, et al.
Veröffentlicht: (2024)

FIRE-CIR: Fine-grained Reasoning for Composed Fashion Image Retrieval
von: Gardères, François, et al.
Veröffentlicht: (2026)

Exploring the Capabilities of LLMs for IMU-based Fine-grained Human Activity Understanding
von: Xu, Lilin, et al.
Veröffentlicht: (2025)

Exploiting Fine-Grained Prototype Distribution for Boosting Unsupervised Class Incremental Learning
von: Liu, Jiaming, et al.
Veröffentlicht: (2024)

CleverBirds: A Multiple-Choice Benchmark for Fine-grained Human Knowledge Tracing
von: Bossemeyer, Leonie, et al.
Veröffentlicht: (2025)

On Transfer in Classification: How Well do Subsets of Classes Generalize?
von: Baena, Raphael, et al.
Veröffentlicht: (2024)

SaFeR-VLM: Toward Safety-aware Fine-grained Reasoning in Multimodal Models
von: Yi, Huahui, et al.
Veröffentlicht: (2025)

SeFAR: Semi-supervised Fine-grained Action Recognition with Temporal Perturbation and Learning Stabilization
von: Huang, Yongle, et al.
Veröffentlicht: (2025)

Urban Representation Learning for Fine-grained Economic Mapping: A Semi-supervised Graph-based Approach
von: Cao, Jinzhou, et al.
Veröffentlicht: (2025)

Failure Modes for Deep Learning-Based Online Mapping: How to Measure and Address Them
von: Hubbertz, Michael, et al.
Veröffentlicht: (2026)

Unsupervised Process Reward Models
von: Gadetsky, Artyom, et al.
Veröffentlicht: (2026)

FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios
von: Jian, Xiangru, et al.
Veröffentlicht: (2026)

Trained Models Tell Us How to Make Them Robust to Spurious Correlation without Group Annotation
von: Ghaznavi, Mahdi, et al.
Veröffentlicht: (2024)

Learning to Detect Label Errors by Making Them: A Method for Segmentation and Object Detection Datasets
von: Penquitt, Sarina, et al.
Veröffentlicht: (2025)

One Framework to Rule Them All: Unifying RL-Based and RL-Free Methods in RLHF
von: Cai, Xin
Veröffentlicht: (2025)

Hyperbolic Coarse-to-Fine Few-Shot Class-Incremental Learning
von: Dai, Jiaxin, et al.
Veröffentlicht: (2025)

Class Adaptive Conformal Training
von: Marani, Badr-Eddine, et al.
Veröffentlicht: (2026)

Class Uncertainty: A Measure to Mitigate Class Imbalance
von: Baltaci, Z. S., et al.
Veröffentlicht: (2023)

Cross-Class Feature Augmentation for Class Incremental Learning
von: Kim, Taehoon, et al.
Veröffentlicht: (2023)

Anatomy-VLM: A Fine-grained Vision-Language Model for Medical Interpretation
von: Gu, Difei, et al.
Veröffentlicht: (2025)

Class-wise Balancing Data Replay for Federated Class-Incremental Learning
von: Qi, Zhuang, et al.
Veröffentlicht: (2025)

SAM2RL: Towards Reinforcement Learning Memory Control in Segment Anything Model 2
von: Adamyan, Alen, et al.
Veröffentlicht: (2025)

Towards Fair Class-wise Robustness: Class Optimal Distribution Adversarial Training
von: Zhi, Hongxin, et al.
Veröffentlicht: (2025)

Time Frequency Analysis of EMG Signal for Gesture Recognition using Fine grained Features
von: Aarotale, Parshuram N., et al.
Veröffentlicht: (2025)

FG-CLIP 2: A Bilingual Fine-grained Vision-Language Alignment Model
von: Xie, Chunyu, et al.
Veröffentlicht: (2025)

Breaking Class Barriers: Efficient Dataset Distillation via Inter-Class Feature Compensator
von: Zhang, Xin, et al.
Veröffentlicht: (2024)

When Classes Evolve: A Benchmark and Framework for Stage-Aware Class-Incremental Learning
von: Zhang, Zheng, et al.
Veröffentlicht: (2026)