論文の概要: Self-Learning with Rectification Strategy for Human Parsing

• arxiv url: http://arxiv.org/abs/2004.08055v1
• Date: Fri, 17 Apr 2020 03:51:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 13:27:08.864446
• Title: Self-Learning with Rectification Strategy for Human Parsing
• Title（参考訳）: ヒューマン・パーシングのための自己学習戦略
• Authors: Tao Li, Zhiyuan Liang, Sanyuan Zhao, Jiahao Gong, Jianbing Shen
• Abstract要約: 擬似ラベルの2つの典型的な誤りを補正する訓練可能なグラフ推論法を提案する。 再構成された特徴は、人体のトポロジー構造を表現する能力が強い。 本手法は、教師付き人間の解析作業において、他の最先端手法よりも優れている。
• 参考スコア（独自算出の注目度）: 73.06197841003048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we solve the sample shortage problem in the human parsing task. We begin with the self-learning strategy, which generates pseudo-labels for unlabeled data to retrain the model. However, directly using noisy pseudo-labels will cause error amplification and accumulation. Considering the topology structure of human body, we propose a trainable graph reasoning method that establishes internal structural connections between graph nodes to correct two typical errors in the pseudo-labels, i.e., the global structural error and the local consistency error. For the global error, we first transform category-wise features into a high-level graph model with coarse-grained structural information, and then decouple the high-level graph to reconstruct the category features. The reconstructed features have a stronger ability to represent the topology structure of the human body. Enlarging the receptive field of features can effectively reducing the local error. We first project feature pixels into a local graph model to capture pixel-wise relations in a hierarchical graph manner, then reverse the relation information back to the pixels. With the global structural and local consistency modules, these errors are rectified and confident pseudo-labels are generated for retraining. Extensive experiments on the LIP and the ATR datasets demonstrate the effectiveness of our global and local rectification modules. Our method outperforms other state-of-the-art methods in supervised human parsing tasks.
• Abstract（参考訳）: 本稿では,人間解析タスクにおけるサンプル不足問題を解決する。 まず,ラベルのないデータに対して擬似ラベルを生成してモデルを再トレーニングするセルフラーニング戦略から始める。 しかし、ノイズの多い擬似ラベルを直接使用すると、エラー増幅と蓄積が引き起こされる。 人体のトポロジー構造を考慮し,擬似ラベルの2つの典型的な誤り,すなわち大域的構造誤差と局所的整合誤差を補正するために,グラフノード間の内部構造的接続を確立する訓練可能なグラフ推論手法を提案する。 グローバルエラーに対して、まず、大まかな構造情報を持つ高次グラフモデルに変換し、次に、高次グラフを分離してカテゴリの特徴を再構築する。 再構成された特徴は、人体のトポロジー構造を表現する能力が強い。 機能の受容領域の拡大は、局所的なエラーを効果的に減少させる。 まず,特徴画素を局所グラフモデルに投影し,階層的に画素関係をキャプチャし,その関係情報を画素に戻す。 グローバル構造およびローカル一貫性モジュールでは、これらのエラーは修正され、再トレーニングのために自信のある擬似ラベルが生成される。 LIPとATRデータセットの大規模な実験により、グローバルおよびローカルな修正モジュールの有効性が示された。 本手法は,監視された人間の解析タスクにおいて,他の最先端手法よりも優れる。

関連論文リスト

• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Redundancy-Free Self-Supervised Relational Learning for Graph Clustering [13.176413653235311]
  冗長フリーグラフクラスタリング(R$2$FGC)という,自己教師付き深層グラフクラスタリング手法を提案する。 オートエンコーダとグラフオートエンコーダに基づいて,グローバルビューとローカルビューの両方から属性レベルと構造レベルの関係情報を抽出する。 この実験は,R$2$FGCが最先端のベースラインよりも優れていることを示すために,広く使用されているベンチマークデータセット上で実施されている。
  論文  参考訳（メタデータ） (2023-09-09T06:18:50Z)
• TopoImb: Toward Topology-level Imbalance in Learning from Graphs [34.25952902469481]
  グラフに対して、不均衡はサブクラストポロジー群レベルに存在する可能性が高いと論じる。 この問題に対処するために、新しいフレームワーク手法と設計(トポロジ抽出器1は、明示的なメモリセルを持つ各インスタンスのトポロジグループを自動的に識別する)を提案する。 ノードレベルの分類とグラフレベルの分類の両方を対象タスクとして有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2022-12-16T19:37:22Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• Structure-Preserving Graph Representation Learning [43.43429108503634]
  本研究では,グラフの構造情報を完全にキャプチャする構造保存グラフ表現学習(SPGRL)手法を提案する。 具体的には、元のグラフの不確かさと誤情報を減らすために、k-Nearest Neighbor法による補完的なビューとして特徴グラフを構築する。 本手法は、半教師付きノード分類タスクにおいて非常に優れた性能を示し、グラフ構造やノード特徴に対するノイズ摂動下での堅牢性に優れる。
  論文  参考訳（メタデータ） (2022-09-02T02:49:19Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• Sub-graph Contrast for Scalable Self-Supervised Graph Representation Learning [21.0019144298605]
  既存のグラフニューラルネットワークは、計算量やメモリコストが限られているため、完全なグラフデータで供給される。 textscSubg-Conは、中央ノードとそのサンプルサブグラフ間の強い相関を利用して、地域構造情報をキャプチャすることで提案される。 既存のグラフ表現学習アプローチと比較して、textscSubg-Conは、より弱い監視要件、モデル学習のスケーラビリティ、並列化において、顕著なパフォーマンス上のアドバンテージを持っています。
  論文  参考訳（メタデータ） (2020-09-22T01:58:19Z)

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。