論文の概要: Symmetry and Group in Attribute-Object Compositions
- arxiv url: http://arxiv.org/abs/2004.00587v1
- Date: Wed, 1 Apr 2020 17:16:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 18:08:28.032687
- Title: Symmetry and Group in Attribute-Object Compositions
- Title(参考訳): 属性オブジェクト合成における対称性とグループ
- Authors: Yong-Lu Li, Yue Xu, Xiaohan Mao, Cewu Lu
- Abstract要約: まず,属性オブジェクト変換の以前に無視された原則を提案する。
対称性の原理を取り入れ、群論にインスパイアされた変換フレームワーク、すなわちSymNetが構築される。
我々の対称性学習は、コンポジションゼロショット学習タスクに利用することができ、広く使用されているベンチマークで最先端の性能を発揮する。
- 参考スコア(独自算出の注目度): 47.66777137079126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Attributes and objects can compose diverse compositions. To model the
compositional nature of these general concepts, it is a good choice to learn
them through transformations, such as coupling and decoupling. However, complex
transformations need to satisfy specific principles to guarantee the
rationality. In this paper, we first propose a previously ignored principle of
attribute-object transformation: Symmetry. For example, coupling peeled-apple
with attribute peeled should result in peeled-apple, and decoupling peeled from
apple should still output apple. Incorporating the symmetry principle, a
transformation framework inspired by group theory is built, i.e. SymNet. SymNet
consists of two modules, Coupling Network and Decoupling Network. With the
group axioms and symmetry property as objectives, we adopt Deep Neural Networks
to implement SymNet and train it in an end-to-end paradigm. Moreover, we
propose a Relative Moving Distance (RMD) based recognition method to utilize
the attribute change instead of the attribute pattern itself to classify
attributes. Our symmetry learning can be utilized for the Compositional
Zero-Shot Learning task and outperforms the state-of-the-art on widely-used
benchmarks. Code is available at https://github.com/DirtyHarryLYL/SymNet.
- Abstract(参考訳): 属性とオブジェクトは多様な構成を構成できる。
これらの一般的な概念の構成的性質をモデル化するには、カップリングやデカップリングといった変換を通じてそれらを学ぶのがよい選択です。
しかし、複雑な変換は合理性を保証するために特定の原則を満たす必要がある。
本稿では,属性-オブジェクト変換の原理である対称性を最初に提案する。
例えば、ピールされたアップルと属性のピールを結合すると、ピールされたアップルになるでしょう。
対称性の原理を取り入れ、群論にインスパイアされた変換フレームワーク、すなわちSymNetが構築される。
SymNet は Coupling Network と Decoupling Network の2つのモジュールで構成されている。
グループ公理と対称性特性を目的として,SymNetの実装にDeep Neural Networksを採用し,エンドツーエンドのパラダイムでトレーニングする。
さらに,属性パターン自体ではなく属性変化を利用して属性を分類する相対移動距離(RMD)に基づく認識手法を提案する。
我々の対称性学習は、コンポジションゼロショット学習タスクに利用することができ、広く使用されているベンチマークで最先端の性能を発揮する。
コードはhttps://github.com/DirtyHarryLYL/SymNetで入手できる。
関連論文リスト
- Metric Learning for Clifford Group Equivariant Neural Networks [15.551447911164903]
クリフォード群同変ニューラルネットワーク(Clifford Group Equivariant Neural Networks, CGENNs)は、クリフォード代数と多ベクトルを利用して、ニューラル表現における対称性の制約を保証する。
これまでの研究では、内部ネットワークの表現をユークリッドやミンコフスキー(擬似計量)に制限していた。
我々は、CGENNネットワークがより柔軟な表現を学べるように、データ駆動方式でメトリックを学習できる別の方法を提案する。
論文 参考訳(メタデータ) (2024-07-13T15:41:14Z) - Scale Equivariant Graph Metanetworks [20.445135424921908]
本稿では,入力が関数自身である学習機能という,新たな機械学習パラダイムについて述べる。
我々は、スケーリング対称性を取り入れたグラフメタネットワーク(メッセージパッシング)パラダイムを適用するフレームワークである、$textitScale Equivariant Graph MetaNetworks - ScaleGMNs$を提案する。
論文 参考訳(メタデータ) (2024-06-15T16:41:04Z) - CSCNET: Class-Specified Cascaded Network for Compositional Zero-Shot
Learning [62.090051975043544]
属性とオブジェクト(A-O)の絡み合いは、合成ゼロショット学習(CZSL)の基本的かつ重要な問題である
CZSL(Class-specified Cascaded Network, CSCNet)のための新しいA-O不整合フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-09T14:18:41Z) - Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras
from First Principles [55.41644538483948]
ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。
完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。
また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
論文 参考訳(メタデータ) (2023-01-13T16:25:25Z) - Learning Single/Multi-Attribute of Object with Symmetry and Group [47.02794596975398]
本稿では,従来無視されていた属性オブジェクト変換の原理について述べる。
対称性を取り入れた群理論,すなわちSymNetに着想を得た変換フレームワークを提案する。
我々は、SymNetを実装するためにディープニューラルネットワークを採用し、グループ公理と対称性を目的とするエンドツーエンドパラダイムでトレーニングする。
論文 参考訳(メタデータ) (2021-10-09T15:57:17Z) - Contextualizing Meta-Learning via Learning to Decompose [125.76658595408607]
本稿では,メタ学習型サポート・ツー・ターゲット戦略の文脈化を図るために,ネットワーク(LeadNet)を分解する学習を提案する。
LeadNetは、コンテキスト間の比較をポリセムの埋め込みに組み込むことで、右に関連付けられた戦略を自動的に選択することを学ぶ。
論文 参考訳(メタデータ) (2021-06-15T13:10:56Z) - CORSAIR: Convolutional Object Retrieval and Symmetry-AIded Registration [14.79639149658596]
完全畳み込みオブジェクト検索とシンメトリーエイド登録の開発とアプローチを行います。
提案手法のロバスト性を検証するために,異なるオブジェクトカテゴリの合成データと実世界のデータセットの結果を示す。
論文 参考訳(メタデータ) (2021-03-11T19:12:48Z) - Meta-Learning Symmetries by Reparameterization [63.85144439337671]
データから対応するパラメータ共有パターンを学習し、等価性をネットワークに学習し、符号化する手法を提案する。
本実験は,画像処理タスクで使用される共通変換に等価性をエンコードして自動的に学習できることを示唆する。
論文 参考訳(メタデータ) (2020-07-06T17:59:54Z)
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。