論文の概要: Attention-Based Query Expansion Learning
- arxiv url: http://arxiv.org/abs/2007.08019v1
- Date: Wed, 15 Jul 2020 22:15:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 05:19:11.848262
- Title: Attention-Based Query Expansion Learning
- Title(参考訳): 注意に基づく問合せ拡張学習
- Authors: Albert Gordo and Filip Radenovic and Tamara Berg
- Abstract要約: クエリ拡張の重要な側面は、イメージを新しいクエリに結合する適切な方法を選択することだ。
本稿では、より原理的なクエリ拡張フレームワークを提案する。そこでは、1つのトレーニングが識別方法で、画像の集約方法を学び、拡張されたクエリを形成する。
- 参考スコア(独自算出の注目度): 14.992170588260173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Query expansion is a technique widely used in image search consisting in
combining highly ranked images from an original query into an expanded query
that is then reissued, generally leading to increased recall and precision. An
important aspect of query expansion is choosing an appropriate way to combine
the images into a new query. Interestingly, despite the undeniable empirical
success of query expansion, ad-hoc methods with different caveats have
dominated the landscape, and not a lot of research has been done on learning
how to do query expansion. In this paper we propose a more principled framework
to query expansion, where one trains, in a discriminative manner, a model that
learns how images should be aggregated to form the expanded query. Within this
framework, we propose a model that leverages a self-attention mechanism to
effectively learn how to transfer information between the different images
before aggregating them. Our approach obtains higher accuracy than existing
approaches on standard benchmarks. More importantly, our approach is the only
one that consistently shows high accuracy under different regimes, overcoming
caveats of existing methods.
- Abstract(参考訳): クエリ拡張(Query expansion)は、元のクエリから高度にランク付けされたイメージを拡張されたクエリに組み合わせた画像検索で広く用いられるテクニックで、一般的にリコールと精度の向上につながる。
クエリ拡張の重要な側面は、画像を新しいクエリに統合する適切な方法を選択することだ。
興味深いことに、クエリ拡張の実証的な成功にもかかわらず、異なる注意書きを持つアドホックなメソッドがランドスケープを支配しており、クエリ拡張の方法を学ぶための研究はあまり行われていない。
本稿では,画像の集約法を学習し,拡張されたクエリを生成するモデルとして,より原則的なクエリ拡張フレームワークを提案する。
本フレームワークでは,自己認識機構を活用して,異なる画像間の情報伝達を効果的に学習し,アグリゲーションするモデルを提案する。
提案手法は,従来のベンチマーク手法よりも精度が高い。
さらに重要なのは、既存の手法の欠点を克服しながら、異なる体制下で常に高い精度を示すアプローチは、我々のアプローチだけです。
関連論文リスト
- When do Generative Query and Document Expansions Fail? A Comprehensive
Study Across Methods, Retrievers, and Datasets [69.28733312110566]
LMに基づく拡張の最初の包括的解析を行う。
抽出器の性能と拡張による利得との間には強い負の相関関係があることが判明した。
より弱いモデルに拡張を使用するか、ターゲットデータセットがフォーマットのトレーニングコーパスと大きく異なる場合。
論文 参考訳(メタデータ) (2023-09-15T17:05:43Z) - End-to-end Knowledge Retrieval with Multi-modal Queries [50.01264794081951]
ReMuQは、テキストと画像のクエリからコンテンツを統合することで、大規模なコーパスから知識を取得するシステムを必要とする。
本稿では,入力テキストや画像を直接処理し,関連する知識をエンドツーエンドで検索する検索モデルReViz'を提案する。
ゼロショット設定下での2つのデータセットの検索において,優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-01T08:04:12Z) - Asymmetric Image Retrieval with Cross Model Compatible Ensembles [4.86935886318034]
非対称検索は、顔認識や画像検索のようなリソース制約のあるアプリケーションに適したソリューションである。
本稿では, 知識蒸留に頼るのではなく, 埋め込み変換モデルを用いるアプローチを提案する。
クエリの計算予算を低く保ちながら,どのモデルよりも全体的な精度を向上する。
論文 参考訳(メタデータ) (2023-03-30T16:53:07Z) - IRGen: Generative Modeling for Image Retrieval [49.73420524424285]
我々はシーケンス・ツー・シーケンス・モデルを用いて画像検索を生成モデルの一形態として再キャストする。
我々のフレームワークIRGenは、エンドツーエンドの微分検索を可能にする統一モデルである。
論文 参考訳(メタデータ) (2023-03-17T17:07:36Z) - Query Expansion Using Contextual Clue Sampling with Language Models [69.51976926838232]
本稿では,実効的なフィルタリング戦略と検索した文書の融合の組み合わせを,各文脈の生成確率に基づいて提案する。
我々の語彙マッチングに基づくアプローチは、よく確立された高密度検索モデルDPRと比較して、同様のトップ5/トップ20検索精度と上位100検索精度を実現する。
エンド・ツー・エンドのQAでは、読者モデルも我々の手法の恩恵を受けており、いくつかの競争基準に対してエクサクト・マッチのスコアが最も高い。
論文 参考訳(メタデータ) (2022-10-13T15:18:04Z) - Progressive Learning for Image Retrieval with Hybrid-Modality Queries [48.79599320198615]
ハイブリッドモダリティクエリによる画像検索(CTI-IR)
我々は、CTI-IRタスクを3段階の学習問題に分解し、ハイブリッドモダリティクエリを用いて画像検索のための複雑な知識を段階的に学習する。
提案モデルは,Fashion-IQおよびShoesベンチマークデータセットにおいて,Recall@K平均の最先端手法を24.9%,9.5%向上させる。
論文 参考訳(メタデータ) (2022-04-24T08:10:06Z) - Learning Query Expansion over the Nearest Neighbor Graph [94.80212602202518]
グラフクエリ拡張(GQE)が提示され、教師付き方法で学習され、クエリの拡張近傍で集約を実行する。
この技術は既知のベンチマークよりも最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-12-05T19:48:42Z) - Using Query Expansion in Manifold Ranking for Query-Oriented
Multi-Document Summarization [3.146785346730256]
本稿では,この問題を解くために,多様体ランキングに組み合わされたクエリ拡張手法を提案する。
本手法では,検索語自体と知識ベースであるWordNetの情報を同義語で拡張するだけでなく,文書自体の情報を様々な方法で拡張する。
さらに,単語の重複度と単語間の近接度を用いて文間の類似度を算出する。
論文 参考訳(メタデータ) (2021-07-31T02:20:44Z) - Connecting Images through Time and Sources: Introducing Low-data,
Heterogeneous Instance Retrieval [3.6526118822907594]
バリエーションやセマンティックな内容のパネルによく反応する機能を選択するのは簡単ではないことを示す。
Alegoriaベンチマークの新しい拡張バージョンを導入し、詳細なアノテーションを使って記述子を比較します。
論文 参考訳(メタデータ) (2021-03-19T10:54:51Z) - Using Image Captions and Multitask Learning for Recommending Query
Reformulations [11.99358906295761]
商用画像検索エンジンのクエリレコメンデーションエクスペリエンスを強化することを目的としている。
提案手法は,関連文献からの最先端の実践を取り入れたものである。
論文 参考訳(メタデータ) (2020-03-02T08:22:46Z)
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。