論文の概要: On Implicit Attribute Localization for Generalized Zero-Shot Learning

• arxiv url: http://arxiv.org/abs/2103.04704v1
• Date: Mon, 8 Mar 2021 12:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:33:13.873313
• Title: On Implicit Attribute Localization for Generalized Zero-Shot Learning
• Title（参考訳）: 一般化ゼロショット学習のための暗黙的属性定位について
• Authors: Shiqi Yang, Kai Wang, Luis Herranz, Joost van de Weijer
• Abstract要約: 一般的なZSLバックボーンは属性を暗黙的にローカライズできるが、このプロパティは利用されない。 次に、属性のローカリゼーションをさらに促進し、非常に競争力のある一般化ZSL(GZSL)パフォーマンスを実現するシンプルな方法であるSELARを提案します。
• 参考スコア（独自算出の注目度）: 43.61533666141709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-shot learning (ZSL) aims to discriminate images from unseen classes by exploiting relations to seen classes via their attribute-based descriptions. Since attributes are often related to specific parts of objects, many recent works focus on discovering discriminative regions. However, these methods usually require additional complex part detection modules or attention mechanisms. In this paper, 1) we show that common ZSL backbones (without explicit attention nor part detection) can implicitly localize attributes, yet this property is not exploited. 2) Exploiting it, we then propose SELAR, a simple method that further encourages attribute localization, surprisingly achieving very competitive generalized ZSL (GZSL) performance when compared with more complex state-of-the-art methods. Our findings provide useful insight for designing future GZSL methods, and SELAR provides an easy to implement yet strong baseline.
• Abstract（参考訳）: Zero-shot Learning(ZSL)は、属性ベースの記述を通じて、目に見えないクラスのイメージを識別することを目的とする。 属性はしばしばオブジェクトの特定の部分に関連しているため、最近の多くの作品は識別領域の発見に焦点を当てている。 しかし、これらの手法は通常、追加の複雑な部分検出モジュールやアテンション機構を必要とする。 本論文では, 一般的なZSLバックボーン(明示的な注意も部分検出も伴わない)が属性を暗黙的にローカライズできることを示したが, この特性は利用されていない。 2) それを実験し, 属性のローカリゼーションをさらに促進するシンプルな手法であるSELARを提案し, より複雑な最新手法と比較して非常に競争力のある一般化ZSL(GZSL)性能を達成した。 本研究は,将来のGZSL法の設計に有用な知見を提供するとともに,SELARは容易に実装できるが,強力なベースラインを提供する。

関連論文リスト

• CREST: Cross-modal Resonance through Evidential Deep Learning for Enhanced Zero-Shot Learning [48.46511584490582]
  ゼロショット学習(ZSL)は、既知のカテゴリから未知のカテゴリへのセマンティックな知識伝達を活用することで、新しいクラスの認識を可能にする。 分布不均衡や属性共起といった現実世界の課題は、画像の局所的なばらつきの識別を妨げる。 これらの課題を克服するために、双方向のクロスモーダルZSLアプローチCRESTを提案する。
  論文  参考訳（メタデータ） (2024-04-15T10:19:39Z)
• Attribute-Aware Representation Rectification for Generalized Zero-Shot Learning [19.65026043141699]
  一般化ゼロショット学習(GZSL)は、一連の非バイアスの視覚-セマンティックマッピングを設計することによって、顕著な性能を得た。 本稿では,GZSLに対して,$mathbf(AR)2$という簡易かつ効果的な属性認識表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-23T11:30:32Z)
• Learning Common Rationale to Improve Self-Supervised Representation for Fine-Grained Visual Recognition Problems [61.11799513362704]
  我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。 SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-03T02:07:40Z)
• Semantic Feature Extraction for Generalized Zero-shot Learning [23.53412767106488]
  一般化ゼロショット学習(英: Generalized zero-shot learning, GZSL)は、学習モデルに属性を使って未知のクラスを特定する手法である。 本稿では,GZSL分類性能を大幅に向上させる新しいGZSL手法を提案する。
  論文  参考訳（メタデータ） (2021-12-29T09:52:30Z)
• Discriminative Region-based Multi-Label Zero-Shot Learning [145.0952336375342]
  マルチラベルゼロショット学習(Multi-label zero-shot Learning、ZSL)は、標準のシングルラベルZSLのより現実的な対位法である。 本稿では,地域別識別可能性保存型ZSLに対する代替アプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-20T17:56:47Z)
• Goal-Oriented Gaze Estimation for Zero-Shot Learning [62.52340838817908]
  識別的属性の局在性を改善するために, 目標指向視線推定モジュール(GEM)を提案する。 属性記述に導かれた新しい物体を認識する視覚注意領域を得るために,実際の人間の視線位置を予測することを目的とする。 この研究は、高レベルのコンピュータビジョンタスクに人間の視線データセットと自動視線推定アルゴリズムを集めることの有望な利点を示しています。
  論文  参考訳（メタデータ） (2021-03-05T02:14:57Z)
• Prior Knowledge about Attributes: Learning a More Effective Potential Space for Zero-Shot Recognition [0.07161783472741746]
  本研究では,グラフ畳み込みネットワークと属性相関を用いた属性相関型空間生成モデルを構築し,より識別可能な空間を生成する。 提案手法は,いくつかのベンチマークデータセットにおいて,既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-09-14T06:57:23Z)
• Simple and effective localized attribute representations for zero-shot learning [48.053204004771665]
  Zero-shot Learning (ZSL) は、目に見えないクラスとイメージを区別することを目的としている。 本稿では,意味/属性空間における局所化表現を提案する。 提案手法は,ゼロショット学習のための新しいベースラインとして利用することができる。
  論文  参考訳（メタデータ） (2020-06-10T16:46:12Z)

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。