Fugu-MT 論文翻訳(概要): Learning Tversky Similarity

論文の概要: Learning Tversky Similarity

arxiv url: http://arxiv.org/abs/2006.11372v1
Date: Wed, 27 May 2020 07:58:35 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 08:02:47.343000
Title: Learning Tversky Similarity
Title（参考訳）: トヴェルスキーの類似性を学ぶ
Authors: Javad Rahnama and Eyke H\"ullermeier
Abstract要約: 本稿では,Tverskyの類似度尺度を適切なトレーニングデータから学習する際の問題点について考察する。実験により,2つの画像データセットを用いた類似性学習へのアプローチを評価し,既存の手法と非常によく比較できることを示す。
参考スコア（独自算出の注目度）: 3.775586678922689
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we advocate Tversky's ratio model as an appropriate basis for computational approaches to semantic similarity, that is, the comparison of objects such as images in a semantically meaningful way. We consider the problem of learning Tversky similarity measures from suitable training data indicating whether two objects tend to be similar or dissimilar. Experimentally, we evaluate our approach to similarity learning on two image datasets, showing that is performs very well compared to existing methods.
Abstract（参考訳）: 本稿では,tverskyの比モデルを,意味的類似性に対する計算的アプローチ,すなわち意味的に意味のある方法で画像などのオブジェクトを比較するための適切な基盤として提案する。本研究は,2つの対象が類似する傾向を示す適切な訓練データから,トベルスキー類似度尺度を学習する問題を考察する。実験により,2つの画像データセットを用いた類似性学習へのアプローチを評価し,既存の手法と非常によく比較できることを示す。

関連論文リスト

Interpretable Measures of Conceptual Similarity by Complexity-Constrained Descriptive Auto-Encoding [112.0878081944858]
画像間の類似度を定量化することは、画像ベースの機械学習にとって重要な著作権問題である。我々は,高次関係を捉えた画像間での「概念的類似性」の概念を定義し,計算することを目指している。 2つの非常に異種な画像は、その記述の早い段階で識別できるが、概念的に異種な画像は、より詳細を区別する必要がある。
論文参考訳（メタデータ） (2024-02-14T03:31:17Z)
Learning the Relation between Similarity Loss and Clustering Loss in Self-Supervised Learning [27.91000553525992]
自己教師付き学習は、ネットワークが大量のデータから識別的特徴を学習することを可能にする。類似度損失と特徴レベルのクロスエントロピー損失の関係を解析する。これらの2つの損失の適切な組み合わせが、最先端の結果が得られることを示すための理論的分析と実験を提供する。
論文参考訳（メタデータ） (2023-01-08T13:30:39Z)
Introspective Deep Metric Learning for Image Retrieval [80.29866561553483]
良好な類似性モデルは、より堅牢なトレーニングのために曖昧なイメージをよりよく扱うように注意しながら、意味的な相違を考慮すべきである、と我々は主張する。本稿では,画像の意味的特徴とあいまいさを記述した,意味的埋め込みだけでなく,付随する不確実性埋め込みを用いて画像を表現することを提案する。提案したIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能向上を実現し,広く使用されているCUB-200-2011,Cars196,Stanford Online Productsデータセットの最先端結果を得る。
論文参考訳（メタデータ） (2022-05-09T17:51:44Z)
Attributable Visual Similarity Learning [90.69718495533144]
本稿では、画像間のより正確で説明可能な類似度測定のための帰属的視覚類似度学習(AVSL)フレームワークを提案する。人間の意味的類似性認知に動機づけられた2つの画像とグラフとの類似性を表現するために,一般化された類似性学習パラダイムを提案する。 CUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、既存の深い類似性学習方法よりも大幅に改善されたことを示している。
論文参考訳（メタデータ） (2022-03-28T17:35:31Z)
Refining Self-Supervised Learning in Imaging: Beyond Linear Metric [25.96406219707398]
本稿では,ジャカード類似度尺度を測度に基づく計量として活用する,新しい統計的視点を紹介する。具体的には、提案した計量は、いわゆる潜在表現から得られた2つの適応射影間の依存度として解釈できる。我々の知る限りでは、この事実上非線形に融合した情報は、Jaccardの類似性に埋め込まれており、将来有望な結果を伴う自己超越学習に新しいものである。
論文参考訳（メタデータ） (2022-02-25T19:25:05Z)
Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
論文参考訳（メタデータ） (2021-09-22T18:34:14Z)
Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
論文参考訳（メタデータ） (2020-07-23T14:00:34Z)
Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
論文参考訳（メタデータ） (2020-06-11T05:35:16Z)

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。