論文の概要: Don't Judge an Object by Its Context: Learning to Overcome Contextual Bias

• arxiv url: http://arxiv.org/abs/2001.03152v2
• Date: Tue, 5 May 2020 23:20:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 04:29:54.442133
• Title: Don't Judge an Object by Its Context: Learning to Overcome Contextual Bias
• Title（参考訳）: 対象を文脈で判断してはいけない: 文脈バイアスを克服する学習
• Authors: Krishna Kumar Singh, Dhruv Mahajan, Kristen Grauman, Yong Jae Lee, Matt Feiszli, Deepti Ghadiyaram
• Abstract要約: 既存のモデルは、認識精度を向上させるために、オブジェクトとそのコンテキスト間の共起を利用することが多い。 この研究は、学習した特徴表現の堅牢性を改善するために、そのような文脈バイアスに対処することに焦点を当てている。
• 参考スコア（独自算出の注目度）: 113.44471186752018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing models often leverage co-occurrences between objects and their context to improve recognition accuracy. However, strongly relying on context risks a model's generalizability, especially when typical co-occurrence patterns are absent. This work focuses on addressing such contextual biases to improve the robustness of the learnt feature representations. Our goal is to accurately recognize a category in the absence of its context, without compromising on performance when it co-occurs with context. Our key idea is to decorrelate feature representations of a category from its co-occurring context. We achieve this by learning a feature subspace that explicitly represents categories occurring in the absence of context along side a joint feature subspace that represents both categories and context. Our very simple yet effective method is extensible to two multi-label tasks -- object and attribute classification. On 4 challenging datasets, we demonstrate the effectiveness of our method in reducing contextual bias.
• Abstract（参考訳）: 既存のモデルは、オブジェクトとそのコンテキスト間の共起を利用して認識精度を向上させることが多い。 しかしながら、モデルの一般化可能性、特に典型的な共起パターンが存在しない場合、コンテキストのリスクに強く依存する。 本研究は,学習特徴表現のロバスト性を改善するために,このような文脈バイアスに対処することに焦点を当てる。 私たちのゴールは、コンテキストと共起した場合のパフォーマンスを損なうことなく、コンテキストのないカテゴリを正確に認識することです。 私たちの重要なアイデアは、カテゴリの特徴表現を共起するコンテキストから切り離すことです。 特徴部分空間は、文脈が存在しないときに生じるカテゴリを、カテゴリーと文脈の両方を表す共同特徴部分空間に沿って明示的に表現することで、これを実現する。 私たちの非常に単純で効果的なメソッドは、オブジェクトと属性の2つのマルチラベルタスクに拡張可能です。 4つの挑戦的データセットにおいて,文脈バイアスを低減する手法の有効性を示す。

関連論文リスト

• AttrSeg: Open-Vocabulary Semantic Segmentation via Attribute Decomposition-Aggregation [33.25304533086283]
  オープンボキャブラリセマンティックセグメンテーションは、推論時に新しいオブジェクトカテゴリをセグメンテーションする必要がある難しいタスクである。 最近の研究では、この課題に対処するために視覚言語による事前訓練が検討されているが、現実的なシナリオでは非現実的な仮定に悩まされている。 本研究は,新しい概念を理解する上で,人間の認知に触発された新しい属性分解集約フレームワークであるAttrSegを提案する。
  論文  参考訳（メタデータ） (2023-08-31T19:34:09Z)
• Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
  本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。 本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。 無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
  論文  参考訳（メタデータ） (2023-03-21T07:00:35Z)
• Self-Supervised Visual Representation Learning with Semantic Grouping [50.14703605659837]
  我々は、未ラベルのシーン中心のデータから視覚表現を学習する問題に取り組む。 本研究では,データ駆動型セマンティックスロット,すなわちSlotConによる協調型セマンティックグルーピングと表現学習のためのコントラスト学習を提案する。
  論文  参考訳（メタデータ） (2022-05-30T17:50:59Z)
• Context vs Target Word: Quantifying Biases in Lexical Semantic Datasets [18.754562380068815]
  BERTのような最先端のコンテキスト化モデルは、WiCやWSDのようなタスクを使用して、ワード・イン・コンテクストの表現を評価する。 本研究は,主要な文脈的語彙意味タスクにおいて,文脈-単語間相互作用を検証した最初の定量的分析(探索ベースラインを用いた)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T15:37:05Z)
• Context-LGM: Leveraging Object-Context Relation for Context-Aware Object Recognition [48.5398871460388]
  本稿では,オブジェクト・コンテキスト関係を階層的にモデル化する新しいコンテキスト潜在生成モデル(Contextual Latent Generative Model,Context-LGM)を提案する。 文脈的特徴を推定するために、変数自動エンコーダ(VAE)の目的関数を再構成し、対象物に対する後続条件付き分布として文脈的特徴を学習する。 本手法の有効性は,2つのコンテキスト認識オブジェクト認識タスクにおける最先端性能によって検証される。
  論文  参考訳（メタデータ） (2021-10-08T11:31:58Z)
• Wisdom of the Contexts: Active Ensemble Learning for Contextual Anomaly Detection [7.87320844079302]
  文脈異常検出(CAD)では、オブジェクトは特定のコンテキスト内でのみ異常と見なされる。 We propose a novel approach called WisCon, which generated contexts from the feature set。 提案手法は,すべての有用なコンテキストが同じではないという仮定に基づいて,異なる重要度スコアを持つ複数のコンテキストのアンサンブルを構築する。
  論文  参考訳（メタデータ） (2021-01-27T17:34:13Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Fast and Robust Unsupervised Contextual Biasing for Speech Recognition [16.557586847398778]
  明示的な文脈言語モデルを必要としない代替手法を提案する。 学習コーパスからシステム語彙の各単語に対するバイアススコアを導出する。 関連するコンテキストが利用できる場合,認識精度が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-05-04T17:29:59Z)
• How Far are We from Effective Context Modeling? An Exploratory Study on Semantic Parsing in Context [59.13515950353125]
  文法に基づく意味解析を行い,その上に典型的な文脈モデリング手法を適用する。 我々は,2つの大きなクロスドメインデータセットに対して,13のコンテキストモデリング手法を評価した。
  論文  参考訳（メタデータ） (2020-02-03T11:28:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。