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

• SA-GDA: Spectral Augmentation for Graph Domain Adaptation [38.71041292000361]
  グラフニューラルネットワーク(GNN)は、グラフ関連のタスクに対して印象的な成果を上げている。 本稿では、グラフノード分類のためのグラフドメイン適応のためのtextitSpectral Augmentation(method)を提案する。 特徴集約のための局所的および大域的一貫性を協調的に活用するデュアルグラフ畳み込みネットワークを開発した。
  論文  参考訳（メタデータ） (2024-08-17T13:01:45Z)
• Text-Free Multi-domain Graph Pre-training: Toward Graph Foundation Models [33.2696184519275]
  テキストフリーなマルチドメイングラフ事前学習・適応フレームワークMDGPTを提案する。 まず、シナジスティックな事前学習のために、ソースドメインにまたがる機能を整列する一連のドメイントークンを提案する。 第2に、統合されたプロンプトと混合プロンプトからなる二重プロンプトを提案し、統合されたマルチドメイン知識でターゲットドメインをさらに適応させる。
  論文  参考訳（メタデータ） (2024-05-22T19:06:39Z)
• UniGraph: Learning a Unified Cross-Domain Foundation Model for Text-Attributed Graphs [30.635472655668078]
  Text-Attributed Graphs (TAG) は、さまざまなドメインにまたがる見えないグラフやタスクに一般化することができる。 本稿では,言語モデル (LM) とグラフニューラルネットワーク (GNN) をバックボーンネットワークとして,新しいケースドアーキテクチャを提案する。 本モデルの有効性を,未確認グラフの自己教師型表現学習,少数ショットインコンテキスト転送,ゼロショット転送で実証する。
  論文  参考訳（メタデータ） (2024-02-21T09:06:31Z)
• Multiview Graph Learning with Consensus Graph [24.983233822595274]
  グラフトポロジ推論は多くのアプリケーション領域において重要なタスクである。 多くの現代のデータセットは異質または混合であり、複数の関連するグラフ、すなわちマルチビューグラフを含んでいる。 コンセンサス正則化に基づく代替手法を提案する。 また、脳波記録(EEG)から複数の被験者の脳機能接続ネットワークを推定するためにも用いられる。
  論文  参考訳（メタデータ） (2024-01-24T19:35:54Z)
• One for All: Towards Training One Graph Model for All Classification Tasks [61.656962278497225]
  様々なグラフタスクの統一モデルは、主にグラフ学習領域に固有の課題のために、まだ探索されていない。 上記の課題に対処するために単一のグラフモデルを使用できる最初の汎用フレームワークである textbfOne for All (OFA) を提案する。 OFAは様々なタスクでうまく機能し、グラフ上の最初の汎用のクロスドメイン分類モデルとなる。
  論文  参考訳（メタデータ） (2023-09-29T21:15:26Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• 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)
• 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)
• 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。