論文の概要: Tackling the Unannotated: Scene Graph Generation with Bias-Reduced Models

• arxiv url: http://arxiv.org/abs/2008.07832v1
• Date: Tue, 18 Aug 2020 10:04:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 21:04:47.845170
• Title: Tackling the Unannotated: Scene Graph Generation with Bias-Reduced Models
• Title（参考訳）: バイアス低減モデルを用いた無注:シーングラフ生成
• Authors: Tzu-Jui Julius Wang, Selen Pehlivan, Jorma Laaksonen
• Abstract要約: 最先端の結果はまだ十分ではない。例えば、モデルが全体のリコールR@100で31%を得ることができる。 本稿では,自己学習型知識を活かした新しいSGG学習手法を提案する。
• 参考スコア（独自算出の注目度）: 8.904910414410855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting a scene graph that captures visual entities and their interactions in an image has been considered a crucial step towards full scene comprehension. Recent scene graph generation (SGG) models have shown their capability of capturing the most frequent relations among visual entities. However, the state-of-the-art results are still far from satisfactory, e.g. models can obtain 31% in overall recall R@100, whereas the likewise important mean class-wise recall mR@100 is only around 8% on Visual Genome (VG). The discrepancy between R and mR results urges to shift the focus from pursuing a high R to a high mR with a still competitive R. We suspect that the observed discrepancy stems from both the annotation bias and sparse annotations in VG, in which many visual entity pairs are either not annotated at all or only with a single relation when multiple ones could be valid. To address this particular issue, we propose a novel SGG training scheme that capitalizes on self-learned knowledge. It involves two relation classifiers, one offering a less biased setting for the other to base on. The proposed scheme can be applied to most of the existing SGG models and is straightforward to implement. We observe significant relative improvements in mR (between +6.6% and +20.4%) and competitive or better R (between -2.4% and 0.3%) across all standard SGG tasks.
• Abstract（参考訳）: 画像中の視覚的実体とその相互作用をキャプチャするシーングラフの予測は、シーン全体を理解するための重要なステップと考えられている。 最近のシーングラフ生成(sgg)モデルは、視覚エンティティ間の最も頻繁な関係を捉える能力を示している。 しかし、最先端の結果はまだ満足できない。例えば、モデルが全体のリコールR@100で31%を獲得できるのに対して、クラスのリコールmR@100はVisual Genome(VG)で8%程度しか得られない。 RとmRの結果の相違は、高いRを追求する点から、高いmRに焦点を移すことを促す。我々は、観察された相違点がVGのアノテーションバイアスとスパースアノテーションの両方に由来すると推測する。 そこで本研究では,自己学習型知識を活用した新しいSGG学習手法を提案する。 これは2つの関係分類器を含み、1つはバイアスの少ない設定を提供し、もう1つはベースとなる。 提案手法は既存のSGGモデルの多くに適用可能であり,実装が容易である。 我々は、mR(+6.6%と+20.4%)とR(-2.4%と0.3%)を標準のSGGタスクで比較した。

関連論文リスト

• Hydra-SGG: Hybrid Relation Assignment for One-stage Scene Graph Generation [57.69385990442078]
  Hydra-SGGはVG150で10.6 mR@20と16.0 mR@50で最先端のパフォーマンスを達成し、訓練期間は12時間に過ぎなかった。 また、Open Images V6とGQAに新たな最先端技術が設定されている。
  論文  参考訳（メタデータ） (2024-09-16T13:13:06Z)
• Fine-Grained Scene Graph Generation via Sample-Level Bias Prediction [12.319354506916547]
  微粒なシーングラフ生成のためのサンプルレベルバイアス予測(SBP)手法を提案する。 まず、古典的なSGGモデルを訓練し、補正バイアスセットを構築する。 そこで我々は,BGAN(Bias-Oriented Generative Adversarial Network)を考案し,構築した補正バイアスを予測する。
  論文  参考訳（メタデータ） (2024-07-27T13:49:06Z)
• Identity-Seeking Self-Supervised Representation Learning for Generalizable Person Re-identification [55.1738496692892]
  従来のDG ReID法では、アノテーションのコストが高いため、トレーニングにラベル付きデータを限定的に使用していた。 本稿では,ISR(Identity-seeking Self-supervised Representation Learning)法を提案する。 ISRは、最大重み付き二部マッチング問題としてインスタンスアソシエーションをモデル化することにより、フレーム間画像から正のペアを構築する。 ISRは市場1501で87.0%、MSMT17で56.4%、それぞれ5.0%、19.5%となっている。
  論文  参考訳（メタデータ） (2023-08-17T09:46:27Z)
• Towards Unseen Triples: Effective Text-Image-joint Learning for Scene Graph Generation [30.79358827005448]
  SGG(Scene Graph Generation)は、画像内のオブジェクトとその接続を構造的かつ包括的に表現することを目的としている。 既存のSGGモデルは、バイアス付きデータセットによって引き起こされる長い尾の問題を解決するのに苦労することが多い。 テキスト画像結合Scene Graph Generation (TISGG) モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-23T10:17:56Z)
• Rethinking the Evaluation of Unbiased Scene Graph Generation [31.041074897404236]
  シーングラフ生成(SGG)手法は、頻繁な述語カテゴリを予測し、稀なカテゴリを認識できない傾向にある。 最近の研究では、偏見のないSGGに焦点が当てられ、Recall@Kを主要な評価基準として採用している。 Independent Mean Recall(IMR)とheighted IMR(wIMR)の2つの相補的評価指標を提案する。
  論文  参考訳（メタデータ） (2022-08-03T08:23:51Z)
• Hyper-relationship Learning Network for Scene Graph Generation [95.6796681398668]
  本稿では,シーングラフ生成のためのハイパーリレーショナル学習ネットワークHLNを提案する。 我々は最も人気のあるSGGデータセット、すなわちVisual Genomeデータセット上でHLNを評価する。 例えば、提案されたHLNは、関係ごとのリコールを11.3%から13.1%に改善し、画像毎のリコールを19.8%から34.9%に維持する。
  論文  参考訳（メタデータ） (2022-02-15T09:26:16Z)
• Not All Relations are Equal: Mining Informative Labels for Scene Graph Generation [48.21846438269506]
  シーングラフ生成(SGG)は、オブジェクトのペア間の多様な相互作用をキャプチャすることを目的としている。 既存のSGG法では、トレーニングデータに様々なバイアスがあるため、視覚的およびテキスト的相関に関する複雑な推論が得られない。 本稿では,その情報性に基づいて関係ラベルを利用するSGGトレーニングのための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） (2021-11-26T14:34:12Z)
• From General to Specific: Informative Scene Graph Generation via Balance Adjustment [113.04103371481067]
  現在のモデルは、情報的なモデルではなく、例えば"on"や"at"といった一般的な述語に留まっている。 本稿では,バランス調整に基づくフレームワークであるBA-SGGを提案する。 提案手法は,視覚ゲノム上の3つのシーングラフ生成サブタスクにおいて,トランスフォーマーモデルよりも14.3%,8.0%,および6.1%高い平均リコール(mR)を実現する。
  論文  参考訳（メタデータ） (2021-08-30T11:39:43Z)
• Semantic Compositional Learning for Low-shot Scene Graph Generation [122.51930904132685]
  多くのシーングラフ生成(SGG)モデルは、トレーニングに限定された注釈付き関係トリプルのみを使用する。 本稿では,新たな意味論的構成学習戦略を提案する。 最近の3つのSGGモデルでは、我々の戦略を追加することで、その性能が50%近く向上する。
  論文  参考訳（メタデータ） (2021-08-19T10:13:55Z)

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。