論文の概要: Learning Discriminative Features using Multi-label Dual Space

• arxiv url: http://arxiv.org/abs/2102.13234v1
• Date: Thu, 25 Feb 2021 23:53:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 13:49:37.051683
• Title: Learning Discriminative Features using Multi-label Dual Space
• Title（参考訳）: マルチラベル双対空間を用いた学習識別特徴
• Authors: Ali Braytee and Wei Liu
• Abstract要約: 特徴空間から意味ラベル空間への投影行列を学習するための,多ラベル学習における新しい手法を提案する。 学習したプロジェクション行列は、複数のセマンティックラベルにまたがる識別的特徴のサブセットを特定する。
• 参考スコア（独自算出の注目度）: 8.510041322997116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-label learning handles instances associated with multiple class labels. The original label space is a logical matrix with entries from the Boolean domain $\in \left \{ 0,1 \right \}$. Logical labels are not able to show the relative importance of each semantic label to the instances. The vast majority of existing methods map the input features to the label space using linear projections with taking into consideration the label dependencies using logical label matrix. However, the discriminative features are learned using one-way projection from the feature representation of an instance into a logical label space. Given that there is no manifold in the learning space of logical labels, which limits the potential of learned models. In this work, inspired from a real-world example in image annotation to reconstruct an image from the label importance and feature weights. We propose a novel method in multi-label learning to learn the projection matrix from the feature space to semantic label space and projects it back to the original feature space using encoder-decoder deep learning architecture. The key intuition which guides our method is that the discriminative features are identified due to map the features back and forth using two linear projections. To the best of our knowledge, this is one of the first attempts to study the ability to reconstruct the original features from the label manifold in multi-label learning. We show that the learned projection matrix identifies a subset of discriminative features across multiple semantic labels. Extensive experiments on real-world datasets show the superiority of the proposed method.
• Abstract（参考訳）: マルチラベル学習は、複数のクラスラベルに関連するインスタンスを処理する。 元のラベル空間は、ブール領域 $\in \left \{ 0,1 \right \}$ からのエントリを持つ論理行列である。 論理ラベルは、インスタンスに対する各意味ラベルの相対的重要性を示すことができない。 既存の手法の大部分は、論理ラベル行列を用いたラベル依存を考慮した線形射影を用いて、入力特徴をラベル空間にマッピングする。 しかし、識別的特徴は、インスタンスの特徴表現から論理ラベル空間への一方向射影を用いて学習される。 論理ラベルの学習空間に多様体が存在しないことを考えると、学習モデルのポテンシャルを制限する。 この本では、画像アノテーションの実際の例から着想を得て、ラベルの重要性と特徴重みから画像を再構築します。 特徴空間から意味的ラベル空間へのプロジェクション行列を学習するマルチラベル学習における新しい手法を提案し,エンコーダデコーダ深層学習アーキテクチャを用いて元の特徴空間に投影する。 本手法を導いた重要な直観は,2つの線形射影を用いて特徴を前後にマッピングするため,識別的特徴を同定することである。 我々の知る限りでは、これはマルチラベル学習においてラベル多様体から元の特徴を再構築する能力を研究する最初の試みの1つである。 学習したプロジェクション行列は、複数のセマンティックラベルにまたがる識別的特徴のサブセットを特定する。 実世界のデータセットに対する大規模な実験は,提案手法の優位性を示している。

関連論文リスト

• Label merge-and-split: A graph-colouring approach for memory-efficient brain parcellation [3.2506898256325933]
  脳のパーセル化には、数百のセグメンテーションラベルを大きな画像量で推測する必要がある。 まず,学習に基づく全脳のパーセレーションに必要なラベルの有効数を大幅に削減する手法であるラベルマージ・アンド・スプリットを導入する。
  論文  参考訳（メタデータ） (2024-04-16T13:47:27Z)
• Label Learning Method Based on Tensor Projection [82.51786483693206]
  テンソルプロジェクション(LLMTP)に基づくラベル学習手法を提案する。 行列射影変換をテンソル射影に拡張し、ビュー間の空間構造情報を活用できるようにする。 さらに、テンソルのSchatten $p$-norm正規化を導入し、異なるビューのクラスタリングラベル行列を可能な限り一貫性を持たせる。
  論文  参考訳（メタデータ） (2024-02-26T13:03:26Z)
• Active Learning for Semantic Segmentation with Multi-class Label Query [34.49769523529307]
  本稿では,セマンティックセグメンテーションのための新しいアクティブラーニング手法を提案する。 個々のピクセルに部分ラベルを割り当てると、トレーニングにおけるクラスあいまいさの問題が発生する。 第一段階では、部分ラベルと直接セグメンテーションモデルを訓練する。 第2段階では、画素単位の擬似ラベルを生成して部分ラベルを曖昧にする。
  論文  参考訳（メタデータ） (2023-09-17T16:23:34Z)
• Multi-Label Knowledge Distillation [86.03990467785312]
  本稿では,新しい多ラベル知識蒸留法を提案する。 一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。 一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
  論文  参考訳（メタデータ） (2023-08-12T03:19:08Z)
• Towards Imbalanced Large Scale Multi-label Classification with Partially Annotated Labels [8.977819892091]
  マルチラベル分類は、複数のクラスにインスタンスを関連付けることができる日常生活において、広く発生する問題である。 本研究では,ラベルの不均衡の問題に対処し,部分ラベルを用いたニューラルネットワークのトレーニング方法について検討する。
  論文  参考訳（メタデータ） (2023-07-31T21:50:48Z)
• Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
  imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。 我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
  論文  参考訳（メタデータ） (2023-05-22T04:50:28Z)
• Contrastive Label Enhancement [13.628665406039609]
  コントラスト学習戦略により高次特徴を生成するコントラストラベル拡張(Contrastive Label Enhancement, ConLE)を提案する。 得られた高レベルな特徴を活用し、よく設計されたトレーニング戦略によりラベル分布を得る。
  論文  参考訳（メタデータ） (2023-05-16T14:53:07Z)
• Multi-Instance Partial-Label Learning: Towards Exploiting Dual Inexact Supervision [53.530957567507365]
  実世界のタスクでは、各トレーニングサンプルは、1つの基底真実ラベルといくつかの偽陽性ラベルを含む候補ラベルセットに関連付けられている。 本稿では,Multi-instance partial-label learning (MIPL) などの問題を定式化する。 既存のマルチインスタンス学習アルゴリズムと部分ラベル学習アルゴリズムはMIPL問題の解法に最適である。
  論文  参考訳（メタデータ） (2022-12-18T03:28:51Z)
• Acknowledging the Unknown for Multi-label Learning with Single Positive Labels [65.5889334964149]
  伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。 本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。 非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
  論文  参考訳（メタデータ） (2022-03-30T11:43:59Z)
• Structured Semantic Transfer for Multi-Label Recognition with Partial Labels [85.6967666661044]
  部分ラベル付きマルチラベル認識モデルのトレーニングを可能にする構造化意味伝達(SST)フレームワークを提案する。 このフレームワークは2つの相補的なトランスファーモジュールから構成され、インテリアイメージとクロスイメージセマンティック相関を探索する。 Microsoft COCO、Visual Genome、Pascal VOCデータセットの実験は、提案されたSSTフレームワークが現在の最先端アルゴリズムよりも優れたパフォーマンスが得られることを示している。
  論文  参考訳（メタデータ） (2021-12-21T02:15:01Z)

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。