論文の概要: Learning from the Scene and Borrowing from the Rich: Tackling the Long Tail in Scene Graph Generation

• arxiv url: http://arxiv.org/abs/2006.07585v1
• Date: Sat, 13 Jun 2020 07:43:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 20:59:52.271927
• Title: Learning from the Scene and Borrowing from the Rich: Tackling the Long Tail in Scene Graph Generation
• Title（参考訳）: 場面からの学習と富からの借用--シーングラフ生成におけるロングテールへの取り組み
• Authors: Tao He, Lianli Gao, Jingkuan Song, Jianfei Cai, Yuan-Fang Li
• Abstract要約: オブジェクト関係におけるロングテールの分布は、困難な問題である。 既存の手法は、この問題を軽減するために外部知識または統計バイアス情報に大きく依存している。 本稿では,(1)付加的な注意機構を通じてシーンから特定の知識を学習することを目的としたシーン・オブジェクト間相互作用,(2)頭部から学習した豊かな知識を尾に伝達しようとするロングテール知識伝達という2つの側面からこの問題に取り組む。
• 参考スコア（独自算出の注目度）: 102.67061138234035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the huge progress in scene graph generation in recent years, its long-tail distribution in object relationships remains a challenging and pestering issue. Existing methods largely rely on either external knowledge or statistical bias information to alleviate this problem. In this paper, we tackle this issue from another two aspects: (1) scene-object interaction aiming at learning specific knowledge from a scene via an additive attention mechanism; and (2) long-tail knowledge transfer which tries to transfer the rich knowledge learned from the head into the tail. Extensive experiments on the benchmark dataset Visual Genome on three tasks demonstrate that our method outperforms current state-of-the-art competitors.
• Abstract（参考訳）: 近年のシーングラフ生成の進歩にもかかわらず、オブジェクト関係における長い尾の分布は困難な問題であり続けている。 既存の手法は、この問題を軽減するために外部知識または統計バイアス情報に大きく依存している。 本稿では,(1)付加的な注意機構を通じてシーンから特定の知識を学習することを目的としたシーンオブジェクト間相互作用,(2)頭部から学習した豊かな知識を尾に伝達しようとするロングテール知識伝達という2つの側面からこの問題に取り組む。 ベンチマークデータセットであるVisual Genomeの3つのタスクに対する大規模な実験は、我々のメソッドが現在の最先端の競合より優れていることを示している。

関連論文リスト

• Granularity Matters in Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• LTRL: Boosting Long-tail Recognition via Reflective Learning [12.784186450718652]
  本稿では,ロングテール認識の処理において,リフレクション学習と呼ばれる新しい学習パラダイムを提案する。 本手法は,学習中の過去の予測の見直し,クラス間の特徴関係の要約と活用,損失関数の勾配競合の補正という3つのプロセスを統合する。
  論文  参考訳（メタデータ） (2024-07-17T13:51:49Z)
• Knowledge Accumulation in Continually Learned Representations and the Issue of Feature Forgetting [34.402943976801424]
  本研究では,知識蓄積と特徴忘れという,継続的に学習される表現の質に影響を及ぼす2つの現象の共存について検討する。 表現を忘れることが絶対的に小さいとしても、表現を忘れることは出力レベルで忘れることと同じくらい破滅的な傾向があることを示す。
  論文  参考訳（メタデータ） (2023-04-03T12:45:52Z)
• Towards Federated Long-Tailed Learning [76.50892783088702]
  データプライバシとクラス不均衡は、多くの機械学習タスクの例外ではなく、標準である。 最近の試みでは、広範にわたるプライベートデータから学習する問題に対処する一方で、長い尾を持つデータから学ぶことが試みられている。 本稿では,プライバシ保護フェデレーション学習(FL)フレームワークのコンテキスト下での長期的データ分散(LT)学習に焦点を当てた。
  論文  参考訳（メタデータ） (2022-06-30T02:34:22Z)
• A Survey on Long-Tailed Visual Recognition [13.138929184395423]
  我々は、長い尾を持つデータ分布に起因する問題に焦点をあて、代表的な長い尾を持つ視覚認識データセットを整理し、いくつかの主流の長い尾を持つ研究を要約する。 Gini係数に基づいて、過去10年間に提案された20の広範に利用されている大規模ビジュアルデータセットを定量的に研究する。
  論文  参考訳（メタデータ） (2022-05-27T06:22:55Z)
• Can I see an Example? Active Learning the Long Tail of Attributes and Relations [64.50739983632006]
  視覚シーンの属性や関係を問う,新たな逐次能動学習フレームワークを提案する。 従来のアクティブな学習手法では、特定の例のラベルを求めるが、エージェントが特定のカテゴリからサンプルを求めることができるように、このフレーミングを反転させる。 このフレーミングを用いて、データ分布の尾からサンプルを求めるアクティブサンプリング手法を導入し、Visual Genomeの古典的アクティブラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-11T19:28:19Z)
• Deep Long-Tailed Learning: A Survey [163.16874896812885]
  ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。 長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。 本稿では,近年の長期学習の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2021-10-09T15:25:22Z)
• Few-shot Partial Multi-view Learning [103.33865779721458]
  本稿では,複数ショット部分的多視点学習という新しい課題を提案する。 それは、低データ体制におけるビューミス問題によるネガティブな影響を克服することに焦点を当てている。 提案手法を評価するため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2021-05-05T13:34:43Z)
• Visual Relationship Detection using Scene Graphs: A Survey [1.3505077405741583]
  シーングラフ(Scene Graph)は、シーンとその中のさまざまな関係をよりよく表現するためのテクニックである。 本稿では、シーングラフ生成の様々な技術、視覚的関係を表現するための有効性、下流の様々な課題の解決にどのように使われているかについて、詳細な調査を行う。
  論文  参考訳（メタデータ） (2020-05-16T17:06:06Z)

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。