論文の概要: Exploring the Hierarchy in Relation Labels for Scene Graph Generation
- arxiv url: http://arxiv.org/abs/2009.05834v1
- Date: Sat, 12 Sep 2020 17:36:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 07:51:37.462565
- Title: Exploring the Hierarchy in Relation Labels for Scene Graph Generation
- Title（参考訳）: シーングラフ生成のための関係ラベルの階層性を探る
- Authors: Yi Zhou, Shuyang Sun, Chao Zhang, Yikang Li, Wanli Ouyang
- Abstract要約: 提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。
実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
- 参考スコア（独自算出の注目度）: 75.88758055269948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: By assigning each relationship a single label, current approaches formulate
the relationship detection as a classification problem. Under this formulation,
predicate categories are treated as completely different classes. However,
different from the object labels where different classes have explicit
boundaries, predicates usually have overlaps in their semantic meanings. For
example, sit\_on and stand\_on have common meanings in vertical relationships
but different details of how these two objects are vertically placed. In order
to leverage the inherent structures of the predicate categories, we propose to
first build the language hierarchy and then utilize the Hierarchy Guided
Feature Learning (HGFL) strategy to learn better region features of both the
coarse-grained level and the fine-grained level. Besides, we also propose the
Hierarchy Guided Module (HGM) to utilize the coarse-grained level to guide the
learning of fine-grained level features. Experiments show that the proposed
simple yet effective method can improve several state-of-the-art baselines by a
large margin (up to $33\%$ relative gain) in terms of Recall@50 on the task of
Scene Graph Generation in different datasets.
- Abstract（参考訳）: 各関係を1つのラベルに割り当てることで、現在のアプローチは関係検出を分類問題として定式化する。
この定式化の下で、述語圏は完全に異なるクラスとして扱われる。
しかし、異なるクラスが明示的な境界を持つオブジェクトラベルとは異なり、述語は通常、意味意味において重複する。
例えば、 sit\_on と stand\_on は垂直関係において共通の意味を持つが、これらの2つのオブジェクトの垂直配置についての詳細は異なっている。
述語カテゴリーの固有構造を活用するために,まず言語階層を構築し,さらに階層的指導的特徴学習(HGFL)戦略を用いて,粗粒度レベルと細粒度レベルの両方の領域特徴を学習する。
また,粒度レベルの学習を導くために,粒度レベルを利用した階層型誘導モジュール(hgm)を提案する。
実験により、提案手法は、異なるデータセットにおけるシーングラフ生成のタスクにおけるrecall@50の観点で、いくつかの最先端ベースラインを大きなマージン(最大3,3$%$相対ゲイン)で改善できることが示されている。
関連論文リスト
- HiGen: Hierarchy-Aware Sequence Generation for Hierarchical Text
Classification [19.12354692458442]
階層的テキスト分類 (HTC) は、マルチラベルテキスト分類における複雑なサブタスクである。
動的テキスト表現を符号化する言語モデルを利用したテキスト生成フレームワークHiGenを提案する。
論文 参考訳（メタデータ） (2024-01-24T04:44:42Z) - SEAL: Simultaneous Label Hierarchy Exploration And Learning [9.701914280306118]
本稿では,従来の階層構造に従う潜在ラベルでラベルを増大させることにより,ラベル階層を探索する新しいフレームワークを提案する。
本手法では,木間距離空間上の1-ワッサーシュタイン計量を客観的関数として用いて,データ駆動型ラベル階層を同時に学習し,半教師付き学習を行う。
論文 参考訳（メタデータ） (2023-04-26T08:31:59Z) - Exploiting Global and Local Hierarchies for Hierarchical Text
Classification [34.624922210257125]
既存の手法は、ラベル階層を全てのラベルを含む静的階層構造として扱うグローバルビューでラベル階層をエンコードする。
我々は,グローバル階層とローカル階層の両方をモデル化するために,グローバル階層とローカル階層(HBGL)を用いた階層誘導BERTを提案する。
提案手法は,最先端のHGCLRと比較して,3つのベンチマークデータセットにおいて大幅な改善を実現している。
論文 参考訳（メタデータ） (2022-05-05T12:48:41Z) - Use All The Labels: A Hierarchical Multi-Label Contrastive Learning
Framework [75.79736930414715]
本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。
比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
論文 参考訳（メタデータ） (2022-04-27T21:41:44Z) - Label Hierarchy Transition: Delving into Class Hierarchies to Enhance
Deep Classifiers [40.993137740456014]
本稿では,階層型分類の課題に対処するために,ディープラーニングに基づく統一確率的フレームワークを提案する。
提案するフレームワークは、わずかに修正するだけで、既存のディープネットワークに容易に適応できる。
提案するLHTフレームワークを皮膚病変診断タスクに拡張し,コンピュータ支援診断におけるその大きな可能性を検証した。
論文 参考訳（メタデータ） (2021-12-04T14:58:36Z) - Hierarchical Heterogeneous Graph Representation Learning for Short Text
Classification [60.233529926965836]
短文分類のためのグラフニューラルネットワーク(GNN)に基づく ShiNE と呼ばれる新しい手法を提案する。
まず,短文データセットを単語レベル成分グラフからなる階層的不均一グラフとしてモデル化する。
そして、類似した短いテキスト間の効果的なラベル伝搬を容易にするショート文書グラフを動的に学習する。
論文 参考訳（メタデータ） (2021-10-30T05:33:05Z) - MATCH: Metadata-Aware Text Classification in A Large Hierarchy [60.59183151617578]
MATCHはメタデータと階層情報の両方を利用するエンドツーエンドのフレームワークである。
親による各子ラベルのパラメータと出力確率を正規化するさまざまな方法を提案します。
大規模なラベル階層を持つ2つの大規模なテキストデータセットの実験は、MATCHの有効性を示しています。
論文 参考訳（メタデータ） (2021-02-15T05:23:08Z) - Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer [140.72439827136085]
グラフィノノミー(Graphonomy)というグラフ推論・伝達学習フレームワークを提案する。
人間の知識とラベル分類を、局所畳み込みを超えた中間グラフ表現学習に組み込んでいる。
意味認識グラフの推論と転送を通じて、複数のドメインにおけるグローバルおよび構造化されたセマンティックコヒーレンシーを学習する。
論文 参考訳（メタデータ） (2021-01-26T08:19:03Z) - Joint Learning of Hyperbolic Label Embeddings for Hierarchical
Multi-label Classification [9.996804039553858]
ラベルが階層内に存在するマルチラベル分類の問題を検討する。
共同学習のための新しい定式化を提案し,その効果を実証的に評価する。
論文 参考訳（メタデータ） (2021-01-13T10:58:54Z) - Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
まずラベル階層の知識を任意のCNNベースの分類器に注入する。
画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
論文 参考訳（メタデータ） (2020-04-02T10:22:02Z)
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。