論文の概要: Bayesian Triplet Loss: Uncertainty Quantification in Image Retrieval

• arxiv url: http://arxiv.org/abs/2011.12663v3
• Date: Fri, 17 Sep 2021 17:26:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 03:04:22.763850
• Title: Bayesian Triplet Loss: Uncertainty Quantification in Image Retrieval
• Title（参考訳）: ベイズ三重項損失:画像検索における不確実性定量化
• Authors: Frederik Warburg, Martin J{\o}rgensen, Javier Civera, S{\o}ren Hauberg
• Abstract要約: 画像検索における不確かさの定量化は下流の決定に不可欠である。 本稿では,画像の埋め込みを決定論的特徴ではなく特徴とみなす新しい手法を提案する。 我々はベイズ三重項損失(Bayesian triplet loss)と呼ばれる後肢の変分近似を導出し、最先端の不確実性推定を導出する。
• 参考スコア（独自算出の注目度）: 10.743633102172236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncertainty quantification in image retrieval is crucial for downstream decisions, yet it remains a challenging and largely unexplored problem. Current methods for estimating uncertainties are poorly calibrated, computationally expensive, or based on heuristics. We present a new method that views image embeddings as stochastic features rather than deterministic features. Our two main contributions are (1) a likelihood that matches the triplet constraint and that evaluates the probability of an anchor being closer to a positive than a negative; and (2) a prior over the feature space that justifies the conventional l2 normalization. To ensure computational efficiency, we derive a variational approximation of the posterior, called the Bayesian triplet loss, that produces state-of-the-art uncertainty estimates and matches the predictive performance of current state-of-the-art methods.
• Abstract（参考訳）: 画像検索における不確かさの定量化は下流の決定に不可欠であるが、依然として難題であり、ほとんど未解決の問題である。 現在の不確実性を推定する手法は、校正が不十分で、計算コストが低く、ヒューリスティックスに基づいている。 本稿では,画像埋め込みを決定論的特徴ではなく確率的特徴とみなす新しい手法を提案する。 我々の2つの主な貢献は、(1)三重項制約に適合し、負よりも正に近いアンカーの確率を評価する可能性、(2)従来のl2正規化を正当化する特徴空間上の先行性である。 計算効率を確保するために、ベイズ三重項損失(bayesian triplet loss)と呼ばれる、最先端の不確実性推定を生成し、現在の最先端手法の予測性能に合致する後方の変分近似を導出する。

関連論文リスト

• Model-Agnostic Covariate-Assisted Inference on Partially Identified Causal Effects [1.9253333342733674]
  多くの因果推定値は、潜在的な結果間の観測不能な関節分布に依存するため、部分的にしか識別できない。 本研究では,部分的同定された推定値の広いクラスに対して,統一的かつモデルに依存しない推論手法を提案する。
  論文  参考訳（メタデータ） (2023-10-12T08:17:30Z)
• Understanding Uncertainty Sampling [7.32527270949303]
  不確実性サンプリングは、データサンプルのアノテーションを逐次クエリする一般的なアクティブラーニングアルゴリズムである。 使用済みの不確実性尺度と元の損失関数に依存する等価損失の概念を提案する。 ストリームベースとプールベースの両方の設定下で、不確実性サンプリングアルゴリズムに拘束される最初の一般化を提供する。
  論文  参考訳（メタデータ） (2023-07-06T01:57:37Z)
• Principal Uncertainty Quantification with Spatial Correlation for Image Restoration Problems [35.46703074728443]
  PUQ -- プリンシパル不確実性定量化 -- は、新しい定義であり、不確実性領域の対応する分析である。 経験的後部分布の主成分の周囲の不確実性区間を導出し,あいまいさ領域を形成する。 本手法は, カラー化, 超高分解能, 塗布実験により検証した。
  論文  参考訳（メタデータ） (2023-05-17T11:08:13Z)
• Model-Based Uncertainty in Value Functions [89.31922008981735]
  MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。 従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
  論文  参考訳（メタデータ） (2023-02-24T09:18:27Z)
• Composed Image Retrieval with Text Feedback via Multi-grained Uncertainty Regularization [73.04187954213471]
  粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。 提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
  論文  参考訳（メタデータ） (2022-11-14T14:25:40Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression [91.3373131262391]
  不確かさが唯一の確実性である。 伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。 現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
  論文  参考訳（メタデータ） (2021-03-25T06:56:09Z)
• Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
  ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。 画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-09T12:26:27Z)
• Towards Better Performance and More Explainable Uncertainty for 3D Object Detection of Autonomous Vehicles [33.0319422469465]
  そこで本研究では,LiDARに基づく3次元物体検出の性能を向上させるために,ロス関数の新たな形式を提案する。 新たな損失関数により,KITTIデータセットのval分割における手法の性能は平均精度で15%向上した。
  論文  参考訳（メタデータ） (2020-06-22T05:49:58Z)
• A deep-learning based Bayesian approach to seismic imaging and uncertainty quantification [0.4588028371034407]
  不確実性は、不条件の逆問題を扱う際に必須である。 未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。 本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
  論文  参考訳（メタデータ） (2020-01-13T23:46:18Z)

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。