論文の概要: Confidence-aware Adversarial Learning for Self-supervised Semantic Matching

• arxiv url: http://arxiv.org/abs/2008.10902v1
• Date: Tue, 25 Aug 2020 09:15:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 04:01:58.054482
• Title: Confidence-aware Adversarial Learning for Self-supervised Semantic Matching
• Title（参考訳）: 自己教師付きセマンティクスマッチングのための信頼度対応逆学習
• Authors: Shuaiyi Huang, Qiuyue Wang, Xuming He
• Abstract要約: 我々はCAMNet(Confidence-Aware Semantic Matching Network)を紹介する。 まず、自己教師付き学習を通して、一致予測のための高密度信頼マップを推定する。 第2に、推定された信頼度に基づいて、画像平面上の他の位置との信頼性の高いマッチングを伝播することにより、初期予測を洗練する。 我々は,改良中の信頼を利用してセマンティックマッチングの精度を向上し,マッチングネットワーク全体を対象としたエンドツーエンドの自己教師付き対人学習手法を開発した最初の人物である。
• 参考スコア（独自算出の注目度）: 29.132600499226406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we aim to address the challenging task of semantic matching where matching ambiguity is difficult to resolve even with learned deep features. We tackle this problem by taking into account the confidence in predictions and develop a novel refinement strategy to correct partial matching errors. Specifically, we introduce a Confidence-Aware Semantic Matching Network (CAMNet) which instantiates two key ideas of our approach. First, we propose to estimate a dense confidence map for a matching prediction through self-supervised learning. Second, based on the estimated confidence, we refine initial predictions by propagating reliable matching to the rest of locations on the image plane. In addition, we develop a new hybrid loss in which we integrate a semantic alignment loss with a confidence loss, and an adversarial loss that measures the quality of semantic correspondence. We are the first that exploit confidence during refinement to improve semantic matching accuracy and develop an end-to-end self-supervised adversarial learning procedure for the entire matching network. We evaluate our method on two public benchmarks, on which we achieve top performance over the prior state of the art. We will release our source code at https://github.com/ShuaiyiHuang/CAMNet.
• Abstract（参考訳）: 本稿では,学習した深い特徴であっても,あいまいさの解決が難しい意味マッチングの課題に対処することを目的とする。 予測の信頼性を考慮してこの問題に対処し、部分的一致誤差を補正する新たな改善戦略を開発する。 具体的には,このアプローチの2つの重要なアイデアをインスタンス化する信頼度対応意味マッチングネットワーク(camnet)を提案する。 まず,自己教師付き学習によるマッチング予測のための密接な信頼度マップを推定する。 第2に,推定された信頼度に基づいて,画像平面上の他の場所への信頼性の高いマッチングを伝搬することにより,初期予測を洗練する。 さらに, 意味的アライメント損失と信頼度損失, 意味的対応の質を測定する敵対的損失を統合した, 新たなハイブリッドロスを開発した。 我々は,改良中の信頼を利用してセマンティックマッチングの精度を向上し,マッチングネットワーク全体のエンドツーエンドの自己教師付き対向学習手順を開発する。 提案手法を2つの公開ベンチマークで評価し,先行技術よりも高い性能を達成した。 ソースコードはhttps://github.com/shuaiyihuang/camnetで公開します。

関連論文リスト

• Cross Domain Object Detection via Multi-Granularity Confidence Alignment based Mean Teacher [14.715398100791559]
  クロスドメインオブジェクト検出は、注釈付きソースドメインから知識を転送することで、ラベルなしターゲットドメインのオブジェクト検出器を学習する。 本研究では,カテゴリレベルの過信,インスタンスレベルのタスクの信頼性の不整合,イメージレベルの信頼の誤認など,予測の信頼性の誤調整が,対象領域における準最適性能をもたらすことを見出した。
  論文  参考訳（メタデータ） (2024-07-10T15:56:24Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Dual Focal Loss for Calibration [21.663687352629225]
  二重ロジットに着目した新たな損失関数を提案する。 これら2つのロジット間のギャップを最大化することにより、提案した二重焦点損失は、過信と過信のバランスを改善することができる。
  論文  参考訳（メタデータ） (2023-05-23T04:19:16Z)
• Birds of a Feather Trust Together: Knowing When to Trust a Classifier via Adaptive Neighborhood Aggregation [30.34223543030105]
  我々は、NeighborAggがアダプティブ近隣アグリゲーションを介して2つの重要な情報を利用する方法を示す。 また, 誤り検出の密接な関連課題へのアプローチを拡張し, 偽陰性境界に対する理論的カバレッジを保証する。
  論文  参考訳（メタデータ） (2022-11-29T18:43:15Z)
• ConfMix: Unsupervised Domain Adaptation for Object Detection via Confidence-based Mixing [32.679280923208715]
  オブジェクト検出のための教師なしドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを適用して、アノテーションが利用できない新しいターゲットドメインからインスタンスを検出することを目的としている。 適応型物体検出学習のための領域レベルの検出信頼度に基づくサンプル混合戦略を初めて導入するConfMixを提案する。
  論文  参考訳（メタデータ） (2022-10-20T19:16:39Z)
• An evaluation of word-level confidence estimation for end-to-end automatic speech recognition [70.61280174637913]
  エンドツーエンド自動音声認識(ASR)における信頼度推定の検討 4つのよく知られた音声データセットにおける信頼度手法の広範なベンチマークを提供する。 以上の結果から,ロジットを学習温度でスケーリングすることで,強いベースラインが得られることが示唆された。
  論文  参考訳（メタデータ） (2021-01-14T09:51:59Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Binary Classification from Positive Data with Skewed Confidence [85.18941440826309]
  肯定的信頼度(Pconf)分類は、有望な弱教師付き学習法である。 実際には、信頼はアノテーションプロセスで生じるバイアスによって歪められることがある。 本稿では、スキュード信頼度のパラメータ化モデルを導入し、ハイパーパラメータを選択する方法を提案する。
  論文  参考訳（メタデータ） (2020-01-29T00:04:36Z)

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。