論文の概要: PCPL: Predicate-Correlation Perception Learning for Unbiased Scene Graph Generation

• arxiv url: http://arxiv.org/abs/2009.00893v1
• Date: Wed, 2 Sep 2020 08:30:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 19:20:59.322744
• Title: PCPL: Predicate-Correlation Perception Learning for Unbiased Scene Graph Generation
• Title（参考訳）: PCPL:未知のシーングラフ生成のための述語相関知覚学習
• Authors: Shaotian Yan, Chen Shen, Zhongming Jin, Jianqiang Huang, Rongxin Jiang, Yaowu Chen, Xian-Sheng Hua
• Abstract要約: 本稿では,適切な損失重みを適応的に求めるための新しい述語相関知覚学習手法を提案する。 我々のPCPLフレームワークは、文脈特徴をよりよく抽出するグラフエンコーダモジュールも備えています。
• 参考スコア（独自算出の注目度）: 58.98802062945709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Today, scene graph generation(SGG) task is largely limited in realistic scenarios, mainly due to the extremely long-tailed bias of predicate annotation distribution. Thus, tackling the class imbalance trouble of SGG is critical and challenging. In this paper, we first discover that when predicate labels have strong correlation with each other, prevalent re-balancing strategies(e.g., re-sampling and re-weighting) will give rise to either over-fitting the tail data(e.g., bench sitting on sidewalk rather than on), or still suffering the adverse effect from the original uneven distribution(e.g., aggregating varied parked on/standing on/sitting on into on). We argue the principal reason is that re-balancing strategies are sensitive to the frequencies of predicates yet blind to their relatedness, which may play a more important role to promote the learning of predicate features. Therefore, we propose a novel Predicate-Correlation Perception Learning(PCPL for short) scheme to adaptively seek out appropriate loss weights by directly perceiving and utilizing the correlation among predicate classes. Moreover, our PCPL framework is further equipped with a graph encoder module to better extract context features. Extensive experiments on the benchmark VG150 dataset show that the proposed PCPL performs markedly better on tail classes while well-preserving the performance on head ones, which significantly outperforms previous state-of-the-art methods.
• Abstract（参考訳）: 今日、シーングラフ生成(sgg)タスクは、主に述語アノテーション分布の非常に長いバイアスのために、現実的なシナリオでほとんど制限されている。 したがって、SGGのクラス不均衡問題に取り組むことは重要かつ困難である。 本稿では, 述語ラベルが互いに強い相関関係を持つ場合, 先行する再バランス戦略(例えば, 再サンプリングや再重み付け)によって, テールデータ(例えば, 歩道に座るベンチ)が過度に収まるか, あるいは, 元の不均一分布(例えば, 駐車/着座時における多様な駐車/着座時のアグリゲーションなど)の悪影響を被ることを明らかにする。 主な理由は、再バランス戦略が述語頻度に敏感であり、その関連性に欠けており、述語的特徴の学習を促進する上でより重要な役割を果たす可能性があるためである。 そこで本研究では,述語クラス間の相関を直接知覚し活用することにより,適切な損失重みを求める新しい述語相関知覚学習(pcpl for short)方式を提案する。 さらに,我々のPCPLフレームワークには,文脈特徴をよりよく抽出するグラフエンコーダモジュールが備わっている。 ベンチマークVG150データセットの大規模な実験により、提案したPCPLは、従来の最先端手法よりもはるかに優れた性能を保ちながら、テールクラスにおいて顕著に優れた性能を発揮することが示された。

関連論文リスト

• Unbiased Scene Graph Generation via Two-stage Causal Modeling [11.390135312161044]
  シーングラフ生成(SGG)タスクのための2段階因果モデリング(TsCM)を提案する。 TsCMは、長期にわたる分布と意味的混乱を共同創設者として、構造因果モデル(Structure Causal Model, SCM)に取り込み、因果的介入を2段階に分離する。 提案手法は, 平均リコール率の観点から, 最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2023-07-11T14:11:24Z)
• Skew Class-balanced Re-weighting for Unbiased Scene Graph Generation [23.237308265907373]
  スキュークラスバランス再重み付け(SCR)損失関数は、偏りのないSGGモデルに対して考慮される。 SCRはターゲットの述語重み係数を推定し、多数派述語と少数派述語の間のトレードオフを改善するために偏りのある述語に再重み付けを行う。
  論文  参考訳（メタデータ） (2023-01-01T05:26:33Z)
• Dual-branch Hybrid Learning Network for Unbiased Scene Graph Generation [87.13847750383778]
  シーングラフ生成のための頭部述語と尾部述語の両方を扱うDual-branch Hybrid Learning Network (DHL)を提案する。 提案手法は,VGおよびGQAデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-16T11:53:50Z)
• Adaptive Fine-Grained Predicates Learning for Scene Graph Generation [122.4588401267544]
  一般的なシーングラフ生成(SGG)モデルは、頭部の述語を予測する傾向があり、再バランス戦略は尾のカテゴリを好む。 本稿では,SGGの難解な述語を識別することを目的とした適応的微粒述語学習(FGPL-A)を提案する。 提案したモデル非依存戦略は,VG-SGGおよびGQA-SGGデータセットのベンチマークモデルの性能を最大175%,Mean Recall@100では76%向上させ,新たな最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-11T03:37:57Z)
• Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
  長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。 尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。 そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-08T07:48:36Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Predicate correlation learning for scene graph generation [46.097869554455336]
  典型的なSGG(Scene Graph Generation)法では、述者のヘッドクラスとテールクラスのパフォーマンスに大きなギャップがあることが多い。 述語相関行列 (PCM) は述語対の関係を定量化するために定義される。 PCM は Predicate correlation Loss 関数 (L_PC$) に統合され、未注釈クラスの回避勾配を減少させる。
  論文  参考訳（メタデータ） (2021-07-06T16:24:33Z)
• Dual ResGCN for Balanced Scene GraphGeneration [106.7828712878278]
  本稿では,オブジェクト残差グラフ畳み込みネットワークと関係残差グラフ畳み込みネットワークからなる新しいモデルであるtextitdual ResGCNを提案する。 2つのネットワークは相互に補完的であり、前者はオブジェクトレベルのコンテキスト情報、すなわちオブジェクト間の接続をキャプチャする。 後者は、関係レベルのコンテキスト情報、すなわち関係間の関係を明示的にキャプチャするように設計されている。
  論文  参考訳（メタデータ） (2020-11-09T07:44:17Z)

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。