Fugu-MT 論文翻訳(概要): An Approach for GCI Fusion With Labeled Multitarget Densities

論文の概要: An Approach for GCI Fusion With Labeled Multitarget Densities

arxiv url: http://arxiv.org/abs/2010.14943v1
Date: Wed, 28 Oct 2020 12:54:29 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 06:12:57.678048
Title: An Approach for GCI Fusion With Labeled Multitarget Densities
Title（参考訳）: ラベル付き多ターゲット密度によるGCI融合の一手法
Authors: Yongwen Jin and Jianxun Li
Abstract要約: 混合ラベル付きランダム有限集合のサポートのためのジョイントラベル空間を提案する。本稿では, GCI融合法を適用し, 共同ラベル付き多ターゲット密度を求める。異なる薬剤からLMB RFSを融合させるジョイントラベル付きGCI(JL-GCI)を実証した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper addresses the Generalized Covariance Intersection (GCI) fusion method for labeled random finite sets. We propose a joint label space for the support of fused labeled random finite sets to represent the label association between different agents, avoiding the label consistency condition for the label-wise GCI fusion algorithm. Specifically, we devise the joint label space by the direct product of all label spaces for each agent. Then we apply the GCI fusion method to obtain the joint labeled multi-target density. The joint labeled RFS is then marginalized into a general labeled RFS, providing that each target is represented by a single Bernoulli component with a unique label. The joint labeled GCI (JL-GCI) for fusing LMB RFSs from different agents is demonstrated. We also propose the simplified JL-GCI method given the assumption that targets are well-separated in the scenario. The simulation result presents the effectiveness of label inconsistency and excellent performance in challenging tracking scenarios.
Abstract（参考訳）: 本稿では、ラベル付きランダム有限集合に対する一般化共分散切断(GCI)融合法について述べる。本稿では,ラベルワイドGCI融合アルゴリズムのラベル整合条件を回避し,異なるエージェント間のラベル関連を表現するために,融合ラベル付きランダム有限集合をサポートするためのジョイントラベル空間を提案する。具体的には、各エージェントに対する全てのラベル空間の直積による結合ラベル空間を考案する。次に, GCI融合法を適用し, 共同ラベル付き多ターゲット密度を求める。共同ラベル付き RFS は一般ラベル付き RFS に縁取りされ、それぞれのターゲットがユニークなラベルを持つ単一のベルヌーイ成分によって表現される。異なる薬剤からLMB RFSを融合させるジョイントラベル付きGCI(JL-GCI)を実証した。また、シナリオにおいてターゲットが適切に分離されているという仮定から、単純化されたJL-GCI法を提案する。シミュレーションの結果, ラベル不整合が有効であり, 課題追跡シナリオにおける優れた性能を示す。

関連論文リスト

GLA-DA: Global-Local Alignment Domain Adaptation for Multivariate Time Series [37.736876308352954]
GLA-DAは、サンプルを同じクラスラベルにアライメントすることで、異なるラベルを持つデータ間の差異を保存することを目的としている。我々は,UDAとSSDAの両方のシナリオでGLA-DAを実装し,最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-10-09T08:27:26Z)
Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation [30.953837550398884]
部分教師付き多臓器画像セグメンテーションは統合意味セグメンテーションモデルの構築を目的としている。本稿では,特徴分布を調整し,識別能力を向上するラベル付き非ラベル分布アライメントフレームワークを提案する。提案手法は,最先端部分教師方式よりもかなりのマージンで性能を向上する。
論文参考訳（メタデータ） (2024-09-05T03:55:37Z)
Exploring Homogeneous and Heterogeneous Consistent Label Associations for Unsupervised Visible-Infrared Person ReID [57.500045584556794]
均質かつ不均一なインスタンスレベルの構造を同時に説明できるModality-Unified Label Transfer (MULT) モジュールを導入する。提案したMULTは、生成した擬似ラベルがモダリティ間の整合性を維持しつつ、モダリティ内の構造的整合性を維持することを保証する。実験の結果,提案手法は既存のUSL-VI-ReID法よりも優れていた。
論文参考訳（メタデータ） (2024-02-01T15:33:17Z)
Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
論文参考訳（メタデータ） (2024-01-21T10:20:46Z)
Label distribution learning via label correlation grid [9.340734188957727]
ラベル関係の不確かさをモデル化するための textbfLabel textbfCorrelation textbfGrid (LCG) を提案する。我々のネットワークはLCGを学習し、各インスタンスのラベル分布を正確に推定する。
論文参考訳（メタデータ） (2022-10-15T03:58:15Z)
Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
論文参考訳（メタデータ） (2022-05-27T13:09:08Z)
AggMatch: Aggregating Pseudo Labels for Semi-Supervised Learning [25.27527138880104]
半教師付き学習は、大量のラベルのないデータを活用するための効果的なパラダイムであることが証明されている。 AggMatchは、異なる自信のあるインスタンスを使用して初期擬似ラベルを洗練する。我々は,AggMatchの標準ベンチマークにおける最新の手法に対する有効性を示す実験を行った。
論文参考訳（メタデータ） (2022-01-25T16:41:54Z)
Enhancing Label Correlation Feedback in Multi-Label Text Classification via Multi-Task Learning [6.1538971100140145]
ラベル相関フィードバックを高めるために,マルチタスク学習を用いた新しい手法を提案する。本稿では,ラベル相関学習を強化するための2つの補助ラベル共起予測タスクを提案する。
論文参考訳（メタデータ） (2021-06-06T12:26:14Z)
Group-aware Label Transfer for Domain Adaptive Person Re-identification [179.816105255584]
Unsupervised Adaptive Domain (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインデータセットで訓練されたモデルを、さらなるアノテーションなしでターゲットドメインデータセットに適応することを目的としている。最も成功したUDA-ReIDアプローチは、クラスタリングに基づく擬似ラベル予測と表現学習を組み合わせて、2つのステップを交互に実行する。疑似ラベル予測と表現学習のオンラインインタラクションと相互促進を可能にするグループ認識ラベル転送(GLT)アルゴリズムを提案します。
論文参考訳（メタデータ） (2021-03-23T07:57:39Z)
MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network [51.84251358009803]
本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
論文参考訳（メタデータ） (2020-06-11T17:14:55Z)
Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network [61.94394163309688]
本稿では,現在最先端の少数ショット分類モデルであるTapNetに基づくラベル強化タスク適応プロジェクションネットワーク(L-TapNet)を提案する。実験結果から,本モデルは1ショット設定で14.64点のF1スコアで最強の少ショット学習ベースラインを著しく上回っていることがわかった。
論文参考訳（メタデータ） (2020-06-10T07:50:44Z)

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。