論文の概要: Saliency Prediction with External Knowledge
- arxiv url: http://arxiv.org/abs/2007.13839v1
- Date: Mon, 27 Jul 2020 20:12:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 08:56:23.146140
- Title: Saliency Prediction with External Knowledge
- Title（参考訳）: 外部知識を用いた塩分予測
- Authors: Yifeng Zhang, Ming Jiang, Qi Zhao
- Abstract要約: 外部知識から学習した意味関係を符号化するグラフを構築するグラフセマンティック・サリエンシ・ネットワーク(GraSSNet)を開発した。
次にSpatial Graph Attention Networkが開発され、学習したグラフに基づいてSalliency機能を更新する。
実験により,提案モデルが外部知識から正当性を予測することを学習し,正当性ベンチマークを4つのベンチマークで比較した。
- 参考スコア（独自算出の注目度）: 27.75589849982756
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The last decades have seen great progress in saliency prediction, with the
success of deep neural networks that are able to encode high-level semantics.
Yet, while humans have the innate capability in leveraging their knowledge to
decide where to look (e.g. people pay more attention to familiar faces such as
celebrities), saliency prediction models have only been trained with large
eye-tracking datasets. This work proposes to bridge this gap by explicitly
incorporating external knowledge for saliency models as humans do. We develop
networks that learn to highlight regions by incorporating prior knowledge of
semantic relationships, be it general or domain-specific, depending on the task
of interest. At the core of the method is a new Graph Semantic Saliency Network
(GraSSNet) that constructs a graph that encodes semantic relationships learned
from external knowledge. A Spatial Graph Attention Network is then developed to
update saliency features based on the learned graph. Experiments show that the
proposed model learns to predict saliency from the external knowledge and
outperforms the state-of-the-art on four saliency benchmarks.
- Abstract（参考訳）: 過去数十年間、高レベルのセマンティクスをエンコードできるディープニューラルネットワークの成功によって、サリエンシー予測は大きな進歩を遂げてきた。
しかし、人間は見るべき場所を決定するために知識を活用する能力を持っている(例えば、人々は有名人のようなよく知られた顔にもっと注意を払う)が、サリエンシ予測モデルは大きな視線追跡データセットでしか訓練されていない。
この研究は、人間のように、サリエンシモデルの外部知識を明示的に取り入れることで、このギャップを埋めることを提案する。
我々は,意味関係の事前知識を一般的あるいはドメイン固有に組み込むことで,関心のあるタスクに応じて地域を強調するネットワークを構築する。
この手法の核となるのが、外部知識から学んだ意味関係をエンコードするグラフを構築する新しいグラフセマンティックサリエンシーネットワーク(グラスネット)である。
次にSpatial Graph Attention Networkが開発され、学習したグラフに基づいてSalliency機能を更新する。
実験により,提案モデルが外部知識から正当性を予測することを学習し,正当性ベンチマークを4つのベンチマークで比較した。
関連論文リスト
- Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective [55.79507207292647]
知識グラフ推論は、データマイニング、人工知能、Web、社会科学など、さまざまな分野において重要である。
ニューラルAIの台頭は、深層学習の頑健さと象徴的推論の精度を融合させることで、大きな進歩を見せている。
大規模言語モデル(LLM)の出現により、知識グラフ推論の新しいフロンティアが開かれた。
論文 参考訳（メタデータ） (2024-11-30T18:54:08Z) - Intrinsically motivated graph exploration using network theories of
human curiosity [71.2717061477241]
本稿では,人間の好奇心の2つの理論によるグラフ構造化データの探索手法を提案する。
提案した特徴を,グラフニューラルネットワークに基づく強化学習の報奨として利用する。
論文 参考訳（メタデータ） (2023-07-11T01:52:08Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - A Variational Graph Autoencoder for Manipulation Action Recognition and
Prediction [1.1816942730023883]
シンボルシーングラフから操作タスクの認識と予測を共同で学習するディープグラフオートエンコーダを提案する。
我々のネットワークは2つの分岐を持つ変分オートエンコーダ構造を持ち、1つは入力グラフタイプを識別し、もう1つは将来のグラフを予測する。
提案手法は,MANIACとMSRC-9の2つの異なるデータセット上で異なる最先端手法に対してベンチマークを行い,提案手法がより優れた性能を実現することを示す。
論文 参考訳（メタデータ） (2021-10-25T21:40:42Z) - Learning through structure: towards deep neuromorphic knowledge graph
embeddings [0.5906031288935515]
本稿では,知識グラフ推論のための深層グラフ学習アーキテクチャをニューロモルフィックアーキテクチャにマッピングする戦略を提案する。
ランダムかつ未学習のグラフニューラルネットワークが局所的なグラフ構造を保存することができるという知見に基づいて、凍結したニューラルネットワークの浅い知識グラフ埋め込みモデルを構成する。
我々は,従来型のハードウェア上では,性能水準を維持しながら,高速化とメモリの大幅な削減を実現していることを示す。
論文 参考訳（メタデータ） (2021-09-21T18:01:04Z) - Learning Graph Representations [0.0]
グラフニューラルネットワーク(GNN)は、大きな動的グラフデータセットに対する洞察を得るための効率的な方法である。
本稿では,グラフ畳み込みニューラルネットワークのオートエンコーダとソーシャル・テンポラル・グラフ・ニューラルネットワークについて論じる。
論文 参考訳（メタデータ） (2021-02-03T12:07:55Z) - Exploiting Heterogeneous Graph Neural Networks with Latent Worker/Task
Correlation Information for Label Aggregation in Crowdsourcing [72.34616482076572]
クラウドソーシングは専門家ではなく、専門家でない労働者からラベルを集めるのに便利であることから、多くの注目を集めている。
群集ラベルを集約するグラフニューラルネットワークに基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-25T10:12:37Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳（メタデータ） (2020-06-11T17:42:46Z) - A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for
Question Answering Over Dynamic Contexts [81.4757750425247]
動的テキスト環境における質問応答について検討する。
構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
論文 参考訳（メタデータ） (2020-04-25T04:53:54Z)
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。