論文の概要: Symmetrical Synthesis for Deep Metric Learning

• arxiv url: http://arxiv.org/abs/2001.11658v3
• Date: Thu, 23 Apr 2020 06:17:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 06:46:12.645122
• Title: Symmetrical Synthesis for Deep Metric Learning
• Title（参考訳）: ディープメトリック学習のための対称合成
• Authors: Geonmo Gu, Byungsoo Ko
• Abstract要約: 対称合成と呼ばれる新しい合成ハードサンプル生成法を提案する。 同じクラスから2つの元の特徴点が与えられた場合、提案手法は対称性の軸として互いに合成点を生成する。 原点および合成点内で硬い負のペアマイニングを行い、計量学習損失を計算するためのより有益な負のペアを選択する。
• 参考スコア（独自算出の注目度）: 17.19890778916312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep metric learning aims to learn embeddings that contain semantic similarity information among data points. To learn better embeddings, methods to generate synthetic hard samples have been proposed. Existing methods of synthetic hard sample generation are adopting autoencoders or generative adversarial networks, but this leads to more hyper-parameters, harder optimization, and slower training speed. In this paper, we address these problems by proposing a novel method of synthetic hard sample generation called symmetrical synthesis. Given two original feature points from the same class, the proposed method firstly generates synthetic points with each other as an axis of symmetry. Secondly, it performs hard negative pair mining within the original and synthetic points to select a more informative negative pair for computing the metric learning loss. Our proposed method is hyper-parameter free and plug-and-play for existing metric learning losses without network modification. We demonstrate the superiority of our proposed method over existing methods for a variety of loss functions on clustering and image retrieval tasks. Our implementations is publicly available.
• Abstract（参考訳）: deep metric learningは、データポイント間の意味的類似性情報を含む埋め込みを学ぶことを目的としている。 組込み性を向上させるため, 合成硬質試料の合成法が提案されている。 既存の合成ハードサンプル生成法は、オートエンコーダや生成逆ネットワークを採用しているが、ハイパーパラメータが増え、最適化が難しく、トレーニング速度が遅くなる。 本稿では,これらの問題に対して対称合成と呼ばれる新しい合成硬質試料生成法を提案する。 同じクラスから2つの特徴点が与えられた場合、提案手法はまず対称性の軸として互いに合成点を生成する。 第二に、原点と合成点内でハードネガティブペアマイニングを行い、メトリック学習損失を計算するためのより有意義なネガティブペアを選択する。 提案手法は,ネットワーク変更なしに既存のメトリック学習損失に対して,ハイパーパラメータフリーかつプラグアンドプレイである。 提案手法は, クラスタリングや画像検索タスクにおいて, 各種損失関数に対して既存の手法よりも優れていることを示す。 私たちの実装は公開されています。

関連論文リスト

• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• Hyperbolic Vision Transformers: Combining Improvements in Metric Learning [116.13290702262248]
  計量学習のための新しい双曲型モデルを提案する。 本手法のコアとなるのは、双曲空間にマッピングされた出力埋め込みを備えた視覚変換器である。 4つのデータセットに6つの異なる定式化を施したモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-03-21T09:48:23Z)
• Adaptive neighborhood Metric learning [184.95321334661898]
  適応的近傍距離距離学習(ANML)という新しい距離距離距離距離距離距離学習アルゴリズムを提案する。 ANMLは線形埋め込みと深層埋め込みの両方を学ぶのに使うことができる。 本手法で提案するemphlog-exp平均関数は,深層学習手法をレビューするための新たな視点を与える。
  論文  参考訳（メタデータ） (2022-01-20T17:26:37Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• LoOp: Looking for Optimal Hard Negative Embeddings for Deep Metric Learning [17.571160136568455]
  埋め込み空間における最適強陰性(LoOp)を求める新しい手法を提案する。 マイニング法とは違って, 最適硬質負を計算するために, 組込みの組込み間の空間全体を考慮した。
  論文  参考訳（メタデータ） (2021-08-20T19:21:33Z)
• Proxy Synthesis: Learning with Synthetic Classes for Deep Metric Learning [13.252164137961332]
  深層メトリック学習におけるより強固な一般化のために,合成クラスを活用したプロキシ合成と呼ばれる単純な正規化器を提案する。 提案手法は合成クラスとして動作する合成埋め込みとプロキシを生成し,プロキシベースの損失を計算する際に未知のクラスを模倣する。 本手法はsoftmaxとその変種を含む任意のプロキシベース損失に適用可能である。
  論文  参考訳（メタデータ） (2021-03-29T09:39:07Z)
• A Method for Handling Multi-class Imbalanced Data by Geometry based Information Sampling and Class Prioritized Synthetic Data Generation (GICaPS) [15.433936272310952]
  本稿では,多ラベル分類問題における不均衡データ処理の問題について考察する。 特徴ベクトル間の幾何学的関係を利用する2つの新しい手法が提案されている。 提案手法の有効性は,汎用的なマルチクラス認識問題を解くことによって解析する。
  論文  参考訳（メタデータ） (2020-10-11T04:04:26Z)
• Embedding Expansion: Augmentation in Embedding Space for Deep Metric Learning [17.19890778916312]
  本稿では、組込み拡張と呼ばれる、ペアベースのメートル法学習損失に対する組込み空間における拡張手法を提案する。 その単純さと柔軟性のために、モデルのサイズ、トレーニング速度、最適化の難しさに影響を与えることなく、既存のメトリック学習損失に使用できる。
  論文  参考訳（メタデータ） (2020-03-05T11:43:17Z)

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。