論文の概要: Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer
- arxiv url: http://arxiv.org/abs/2101.10620v1
- Date: Tue, 26 Jan 2021 08:19:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 19:54:53.388792
- Title: Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer
- Title(参考訳): Graphonomy: グラフ推論と転送によるユニバーサルイメージパーシング
- Authors: Liang Lin and Yiming Gao and Ke Gong and Meng Wang and Xiaodan Liang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 140.72439827136085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prior highly-tuned image parsing models are usually studied in a certain
domain with a specific set of semantic labels and can hardly be adapted into
other scenarios (e.g., sharing discrepant label granularity) without extensive
re-training. Learning a single universal parsing model by unifying label
annotations from different domains or at various levels of granularity is a
crucial but rarely addressed topic. This poses many fundamental learning
challenges, e.g., discovering underlying semantic structures among different
label granularity or mining label correlation across relevant tasks. To address
these challenges, we propose a graph reasoning and transfer learning framework,
named "Graphonomy", which incorporates human knowledge and label taxonomy into
the intermediate graph representation learning beyond local convolutions. In
particular, Graphonomy learns the global and structured semantic coherency in
multiple domains via semantic-aware graph reasoning and transfer, enforcing the
mutual benefits of the parsing across domains (e.g., different datasets or
co-related tasks). The Graphonomy includes two iterated modules: Intra-Graph
Reasoning and Inter-Graph Transfer modules. The former extracts the semantic
graph in each domain to improve the feature representation learning by
propagating information with the graph; the latter exploits the dependencies
among the graphs from different domains for bidirectional knowledge transfer.
We apply Graphonomy to two relevant but different image understanding research
topics: human parsing and panoptic segmentation, and show Graphonomy can handle
both of them well via a standard pipeline against current state-of-the-art
approaches. Moreover, some extra benefit of our framework is demonstrated,
e.g., generating the human parsing at various levels of granularity by unifying
annotations across different datasets.
- Abstract(参考訳): 以前の高度に調整された画像解析モデルは、特定のセマンティックラベルのセットを持つ特定のドメインで研究されており、広範囲な再トレーニングなしに他のシナリオ(例えば、離散ラベルの粒度を共有する)に適応することができない。
異なるドメインやさまざまなレベルの粒度からラベルアノテーションを統一することで、単一のユニバーサルパーシングモデルを学ぶことは、重要だが、まれに扱われるトピックである。
例えば、異なるラベル粒度間の基本的な意味構造の発見や、関連するタスク間のラベル相関の発見などだ。
これらの課題に対処するために,人的知識とラベル分類を,局所的な畳み込みを超えた中間グラフ表現学習に組み込んだグラフ推論・伝達学習フレームワーク"Graphonomy"を提案する。
特に、graphonomyは、セマンティックアウェアグラフ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かつ構造化されたセマンティックコヒーレンシを学習し、ドメイン間の解析の相互利益(例えば、異なるデータセットや関連タスク)を強制する。
Graphonomyには、イントラグラフ推論とイントラグラフ転送モジュールの2つの反復モジュールが含まれている。
前者は各ドメインのセマンティックグラフを抽出し、グラフで情報を伝達することによって特徴表現学習を改善する。後者は異なるドメインのグラフ間の依存関係を利用して双方向の知識伝達を行う。
Graphonomyは、人間のパースとパノプティクスのセグメンテーションという、関連性のある異なる2つのイメージ理解研究トピックに適用し、Graphonomyが、現在の最先端アプローチに対する標準的なパイプラインを通じて、両方をうまく扱えることを示す。
さらに、さまざまなデータセットをまたいだアノテーションを統一することで、さまざまなレベルの粒度で人間のパースを生成するなど、私たちのフレームワークのさらなるメリットが示されています。
関連論文リスト
- SCENE: Reasoning about Traffic Scenes using Heterogeneous Graph Neural
Networks [12.038268908198287]
SCENEは異種グラフに様々なトラフィックシーンをエンコードする手法である。
タスク固有のデコーダを適用することで、シーンの望ましい属性を予測することができる。
論文 参考訳(メタデータ) (2023-01-09T17:05:28Z) - Augmenting Knowledge Transfer across Graphs [16.50013525404218]
本稿では,グラフ間の知識伝達を増強する汎用学習フレームワークであるTransNETを紹介する。
特に、様々なグラフ信号を異なる粒度で自然に定式化できるトリニティ信号という新しい概念を導入する。
TransNETは7つのベンチマークデータセットに対する既存のアプローチを、大きなマージンで上回ります。
論文 参考訳(メタデータ) (2022-12-09T08:46:02Z) - Graph Adaptive Semantic Transfer for Cross-domain Sentiment
Classification [68.06496970320595]
クロスドメイン感情分類(CDSC)は、ソースドメインから学んだ伝達可能なセマンティクスを使用して、ラベルなしのターゲットドメインにおけるレビューの感情を予測することを目的としている。
本稿では、単語列と構文グラフの両方からドメイン不変セマンティクスを学習できる適応型構文グラフ埋め込み法であるグラフ適応意味伝達(GAST)モデルを提案する。
論文 参考訳(メタデータ) (2022-05-18T07:47:01Z) - Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。
本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文 参考訳(メタデータ) (2022-02-07T08:04:59Z) - Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。
複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
論文 参考訳(メタデータ) (2021-07-20T22:09:21Z) - Multi-Level Graph Contrastive Learning [38.022118893733804]
本稿では,グラフの空間ビューを対比することで,グラフデータの堅牢な表現を学習するためのマルチレベルグラフコントラスト学習(MLGCL)フレームワークを提案する。
元のグラフは1次近似構造であり、不確実性や誤りを含むが、符号化機能によって生成された$k$NNグラフは高次近接性を保持する。
MLGCLは、7つのデータセット上の既存の最先端グラフ表現学習法と比較して有望な結果が得られることを示す。
論文 参考訳(メタデータ) (2021-07-06T14:24:43Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳(メタデータ) (2021-01-16T16:18:43Z) - Knowledge-Guided Multi-Label Few-Shot Learning for General Image
Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。
まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。
次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。
グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文 参考訳(メタデータ) (2020-09-20T15:05:29Z)
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。