Fugu-MT 論文翻訳(概要): DisCont: Self-Supervised Visual Attribute Disentanglement using Context Vectors

論文の概要: DisCont: Self-Supervised Visual Attribute Disentanglement using Context Vectors

arxiv url: http://arxiv.org/abs/2006.05895v2
Date: Mon, 29 Jun 2020 23:23:12 GMT
ステータス: 処理完了
システム内更新日: 2022-11-23 06:00:52.078994
Title: DisCont: Self-Supervised Visual Attribute Disentanglement using Context Vectors
Title（参考訳）: DisCont:コンテキストベクトルを用いた自己監督型視覚属性分散
Authors: Sarthak Bhagat, Vishaal Udandarao, Shagun Uppal
Abstract要約: 本稿では、画像内の構造的帰納バイアスを利用して複数の属性をアンタングル化する自己教師型フレームワークDisContを提案する。近年のコントラスト学習パラダイムの急激な増加により,我々のモデルは,自己教師付きコントラスト学習アルゴリズムと教師なし非教師付きアンタングルメントのギャップを埋める。
参考スコア（独自算出の注目度）: 6.385006149689549
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Disentangling the underlying feature attributes within an image with no prior supervision is a challenging task. Models that can disentangle attributes well provide greater interpretability and control. In this paper, we propose a self-supervised framework DisCont to disentangle multiple attributes by exploiting the structural inductive biases within images. Motivated by the recent surge in contrastive learning paradigms, our model bridges the gap between self-supervised contrastive learning algorithms and unsupervised disentanglement. We evaluate the efficacy of our approach, both qualitatively and quantitatively, on four benchmark datasets.
Abstract（参考訳）: イメージ内の根底にある特徴属性を事前の監視なしに切り離すことは難しい作業である。属性をアンタングルできるモデルは、高い解釈可能性と制御を提供する。本稿では,画像内の構造的インダクティブバイアスを活用し,複数の属性の絡み合いを解消する自己教師付きフレームワークを提案する。近年のコントラスト学習パラダイムの急増に動機づけられたこのモデルは,自己教師ありコントラスト学習アルゴリズムと教師なしディスタングルのギャップを橋渡ししている。 4つのベンチマークデータセットを用いて,定性的かつ定量的にアプローチの有効性を評価する。

関連論文リスト

Disentangled and Self-Explainable Node Representation Learning [1.4002424249260854]
自己説明可能な埋め込みを教師なしで生成するフレームワークであるDiSeNEを紹介する。本手法では,次元的に解釈可能な埋め込みを生成するために,不整合表現学習を用いる。新規なデシラタを,新たな目的関数を駆動するアンタングルと解釈可能な埋め込みのために定式化した。
論文参考訳（メタデータ） (2024-10-28T13:58:52Z)
Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文参考訳（メタデータ） (2024-10-08T17:59:03Z)
CustomContrast: A Multilevel Contrastive Perspective For Subject-Driven Text-to-Image Customization [27.114395240088562]
理想的な主観的表現は、相互差分的な視点、すなわち、主観的本質的属性と無関係な属性とを対照的な学習を通して分離することで達成できると主張する。具体的には、マルチレベルコントラスト学習パラダイムとMFI(Multimodal Feature Injection)を含む新しいフレームワークであるCustomContrastを提案する。広範囲な実験は、主題の類似性とテキスト制御性におけるCustomContrastの有効性を示している。
論文参考訳（メタデータ） (2024-09-09T13:39:47Z)
Attribute-Aware Deep Hashing with Self-Consistency for Large-Scale Fine-Grained Image Retrieval [65.43522019468976]
本稿では属性認識ハッシュコードを生成するための自己整合性を持つ属性認識ハッシュネットワークを提案する。本研究では,高レベル属性固有ベクトルを教師なしで蒸留する再構成タスクのエンコーダ・デコーダ構造ネットワークを開発する。我々のモデルは,これらの属性ベクトルに特徴デコリレーション制約を設けて,それらの代表的能力を強化する。
論文参考訳（メタデータ） (2023-11-21T08:20:38Z)
Self-Supervised Consistent Quantization for Fully Unsupervised Image Retrieval [17.422973861218182]
教師なし画像検索は、高価なデータアノテーションを使わずに効率的な検索システムを学習することを目的としている。近年の進歩は、視覚的特徴と量子化符号を協調的に最適化するために、深いモデルをスクラッチからトレーニングすることを目的とした、完全な教師なし画像検索を提案する。本稿では, 部分一貫した量子化と大域一貫した量子化からなる, 完全教師なし画像検索のための, 自己教師付き一貫した量子化手法を提案する。
論文参考訳（メタデータ） (2022-06-20T14:39:59Z)
Translational Concept Embedding for Generalized Compositional Zero-shot Learning [73.60639796305415]
一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)という新しいアプローチを提案する。
論文参考訳（メタデータ） (2021-12-20T21:27:51Z)
Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
論文参考訳（メタデータ） (2020-12-06T20:30:26Z)
Face Anti-Spoofing Via Disentangled Representation Learning [90.90512800361742]
顔認識システムのセキュリティには、顔の偽造が不可欠だ。本稿では,画像から生意気な特徴やコンテンツの特徴を乱す顔のアンチ・スプーフィングの新たな視点を提案する。
論文参考訳（メタデータ） (2020-08-19T03:54:23Z)
Self-supervised Learning from a Multi-view Perspective [121.63655399591681]
自己教師型表現はタスク関連情報を抽出し,タスク関連情報を破棄することができることを示す。我々の理論的枠組みは、自己教師型学習目標設計のより広い空間への道を開くものである。
論文参考訳（メタデータ） (2020-06-10T00:21:35Z)
Unsupervised Discovery, Control, and Disentanglement of Semantic Attributes with Applications to Anomaly Detection [15.817227809141116]
画像の意味的属性を制御する潜在因子を検出する教師なし生成表現に着目する。 a)マルチスケール生成モデルと相互情報(MI)を組み合わせたネットワークアーキテクチャを提案する。 b) について、解析的結果(Lemma 1) を導出し、2つの関連する異なる概念に明瞭さをもたらす。
論文参考訳（メタデータ） (2020-02-25T20:50:47Z)

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。