論文の概要: Color Variants Identification via Contrastive Self-Supervised Representation Learning

• arxiv url: http://arxiv.org/abs/2104.08581v1
• Date: Sat, 17 Apr 2021 15:51:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 14:28:22.978771
• Title: Color Variants Identification via Contrastive Self-Supervised Representation Learning
• Title（参考訳）: コントラスト型自己監督表現学習による色彩変数の同定
• Authors: Ujjal Kr Dutta, Sandeep Repakula, Maulik Parmar, Abhinav Ravi
• Abstract要約: 深層視覚表現学習を用いて、色変化の同定の課題に対処します。 コントラスト損失に基づく自己監督型カラーバリアントモデルを提案する。 本手法を定量的・定性的に評価し,既存の自己管理手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.3449131636069898
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we utilize deep visual Representation Learning to address the problem of identification of color variants. In particular, we address color variants identification in fashion products, which refers to the problem of identifying fashion products that match exactly in their design (or style), but only to differ in their color. Firstly, we solve this problem by obtaining manual annotations depicting whether two products are color variants. Having obtained such annotations, we train a triplet loss based neural network model to learn deep representations of fashion products. However, for large scale real-world industrial datasets such as addressed in our paper, it is infeasible to obtain annotations for the entire dataset. Hence, we rather explore the use of self-supervised learning to obtain the representations. We observed that existing state-of-the-art self-supervised methods do not perform competitive against the supervised version of our color variants model. To address this, we additionally propose a novel contrastive loss based self-supervised color variants model. Intuitively, our model focuses on different parts of an object in a fixed manner, rather than focusing on random crops typically used for data augmentation in existing methods. We evaluate our method both quantitatively and qualitatively to show that it outperforms existing self-supervised methods, and at times, the supervised model as well.
• Abstract（参考訳）: 本稿では,カラーバリエーションの識別問題に対処するために,深部視覚表現学習を利用する。 特に,ファッション製品におけるカラーバリエーションの識別には,デザイン(あるいはスタイル)に正確にマッチするファッション商品を識別する問題に言及するが,その色の違いにのみ対処する。 まず,2つの製品がカラー変種であるか否かを手動で記述することで,この問題を解決する。 このようなアノテーションを得て、三重項損失に基づくニューラルネットワークモデルをトレーニングし、ファッション製品の深い表現を学ぶ。 しかし,本論文のような大規模実世界の産業データセットでは,データセット全体のアノテーションを得ることは不可能である。 そこで我々は,自己指導型学習を用いて表現を得る方法を探究する。 我々は,既存の最先端自己監督手法は,カラー変種モデルの教師バージョンと競合しないことを示した。 これに対処するために,新しいコントラスト損失に基づく自己教師付き色変種モデルを提案する。 直感的には、我々のモデルは、既存の方法でデータ拡張に使われるランダムな作物ではなく、固定された方法でオブジェクトの異なる部分に焦点を当てる。 本手法は,既存の自己監督手法よりも優れていることを示すため,定量的かつ定性的に評価し,時には教師付きモデルも評価する。

関連論文リスト

• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Control Color: Multimodal Diffusion-based Interactive Image Colorization [81.68817300796644]
  Control Color (Ctrl Color) は、事前訓練された安定拡散(SD)モデルを利用する多モードカラー化手法である。 ユーザのストロークをエンコードして、局所的な色操作を正確に行うための効果的な方法を提案する。 また、カラーオーバーフローと不正確な色付けの長年の問題に対処するために、自己注意に基づく新しいモジュールとコンテンツ誘導型変形可能なオートエンコーダを導入する。
  論文  参考訳（メタデータ） (2024-02-16T17:51:13Z)
• Exploring Color Invariance through Image-Level Ensemble Learning [7.254270666779331]
  本研究ではランダムカラー消去という学習戦略を紹介する。 元の画像構造を乱すことなく、トレーニングデータの部分的又は完全な色情報を選択的に消去する。 このアプローチは、過剰適合のリスクを軽減し、色の変化を処理するモデルの能力を強化する。
  論文  参考訳（メタデータ） (2024-01-19T06:04:48Z)
• Revealing Unfair Models by Mining Interpretable Evidence [50.48264727620845]
  機械学習の人気は、不公平なモデルがハイリスクなアプリケーションにデプロイされるリスクを高めている。 本稿では,解釈可能な証拠をマイニングすることで不公平なモデルを明らかにする新しい課題に取り組む。 本手法は,訓練されたモデルの不公平性を効果的に明らかにするために,極めて解釈可能な確固たる証拠を見出す。
  論文  参考訳（メタデータ） (2022-07-12T20:03:08Z)
• Detecting Recolored Image by Spatial Correlation [60.08643417333974]
  画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。 本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。 提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
  論文  参考訳（メタデータ） (2022-04-23T01:54:06Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• A Tale of Color Variants: Representation and Self-Supervised Learning in Fashion E-Commerce [2.3449131636069898]
  当社のファッション電子商取引プラットフォームにおけるこの問題に対処するため、深層視覚表現学習をその中心に活用する汎用フレームワークを提案する。 我々のフレームワークは、手動で得られる三つ子という形で、監督的な信号で訓練することができる。 しかし、興味深いことに、ファッションeコマースにおけるこの決定的な問題は、単純なカラージッタベースの画像拡張によって解決される可能性がある。
  論文  参考訳（メタデータ） (2021-12-06T10:24:54Z)
• Color Counting for Fashion, Art, and Design [0.0]
  カラーモデリングの最初のステップは、アイテム/オブジェクトの色の数を見積もることです。 累積色ヒストグラムに基づく新しいカラーカウント手法を提案する。 この研究は、カラーカウントマシンの問題に対処する最初の試みである。
  論文  参考訳（メタデータ） (2021-10-13T12:42:15Z)
• Self-supervised Representation Learning for Reliable Robotic Monitoring of Fruit Anomalies [4.530678016396477]
  最先端の強化手法は、典型的な画像上に焦点対象の構造的特異性を任意に埋め込む。 このような構造に敏感な表現を学習することは、いくつかの異常なクラスに対する最適でないアプローチである、と我々は主張する。 ニューラルネットワークモデルに「カラー不規則性」の符号化を学習するための新しいデータ拡張手法としてチャネルランダム化を提案する。
  論文  参考訳（メタデータ） (2021-09-21T12:41:02Z)
• White Paper Assistance: A Step Forward Beyond the Shortcut Learning [6.066543113636522]
  我々は、CNNが実際に私たちが関心を持っているようにしているかどうかを調べる必要性をしばしば見落としていることを示します。 我々は、この意図しない不確実性に対抗するために、白紙援助と呼ばれる新しいアプローチを提案する。 提案手法は, モデルが特定の特徴パターンを優先する程度を検知し, 白紙上でランダムな推測を強制的に行うことによって緩和する。
  論文  参考訳（メタデータ） (2021-06-08T08:35:44Z)
• Visualising Deep Network's Time-Series Representations [93.73198973454944]
  機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。 本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。 高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
  論文  参考訳（メタデータ） (2021-03-12T09:53:34Z)

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。