Fugu-MT 論文翻訳(概要): [Re] Don't Judge an Object by Its Context: Learning to Overcome Contextual Bias

論文の概要: [Re] Don't Judge an Object by Its Context: Learning to Overcome Contextual Bias

arxiv url: http://arxiv.org/abs/2104.13582v1
Date: Wed, 28 Apr 2021 06:21:28 GMT
ステータス: 処理完了
システム内更新日: 2021-04-29 19:15:08.438175
Title: [Re] Don't Judge an Object by Its Context: Learning to Overcome Contextual Bias
Title（参考訳）: [Re]コンテキストでオブジェクトを判断しない:コンテキストバイアスを克服する学習
Authors: Sunnie S. Y. Kim, Sharon Zhang, Nicole Meister, Olga Russakovsky
Abstract要約: PyTorch 1.7.0でスクラッチからパイプライン全体を実装する。その結果,提案手法はいずれも文脈バイアスの軽減に役立つことがわかった。
参考スコア（独自算出の注目度）: 15.701707809084715
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Singh et al. (2020) point out the dangers of contextual bias in visual recognition datasets. They propose two methods, CAM-based and feature-split, that better recognize an object or attribute in the absence of its typical context while maintaining competitive within-context accuracy. To verify their performance, we attempted to reproduce all 12 tables in the original paper, including those in the appendix. We also conducted additional experiments to better understand the proposed methods, including increasing the regularization in CAM-based and removing the weighted loss in feature-split. As the original code was not made available, we implemented the entire pipeline from scratch in PyTorch 1.7.0. Our implementation is based on the paper and email exchanges with the authors. We found that both proposed methods in the original paper help mitigate contextual bias, although for some methods, we could not completely replicate the quantitative results in the paper even after completing an extensive hyperparameter search. For example, on COCO-Stuff, DeepFashion, and UnRel, our feature-split model achieved an increase in accuracy on out-of-context images over the standard baseline, whereas on AwA, we saw a drop in performance. For the proposed CAM-based method, we were able to reproduce the original paper's results to within 0.5$\%$ mAP. Our implementation can be found at https://github.com/princetonvisualai/ContextualBias.
Abstract（参考訳）: Singh et al. (2020) 視覚認識データセットにおける文脈バイアスの危険性を指摘する。彼らはCAMベースと特徴分割という2つの手法を提案し、オブジェクトや属性を通常のコンテキストなしでよりよく認識し、競合するコンテキスト内精度を維持している。それらの性能を検証するため,本論文では付録を含む12の表を全て再現する試みを行った。また,提案手法をよりよく理解するための追加実験を行い,camによる正規化の増大や特徴分割の重み付き損失の除去などを行った。オリジナルのコードが利用できないため、パイプライン全体をスクラッチからPyTorch 1.7.0で実装しました。実装は著者との論文と電子メールの交換に基づいています。提案手法は両手法とも文脈バイアスを軽減するのに有効であることがわかったが,いくつかの手法では,広範囲なハイパーパラメータ探索を完了しても,論文の定量的結果を完全に再現することはできなかった。例えば、COCO-Stuff、DeepFashion、UnRelでは、標準ベースライン上でのコンテキスト外画像の精度が向上しましたが、AwAではパフォーマンスが低下しました。提案手法では,元の論文の結果を0.5$\%$mAP以内で再現することができた。実装はhttps://github.com/princetonvisualai/contextualbiasで確認できます。

関連論文リスト

Fact Checking Beyond Training Set [64.88575826304024]
本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
論文参考訳（メタデータ） (2024-03-27T15:15:14Z)
Theoretically Achieving Continuous Representation of Oriented Bounding Boxes [64.15627958879053]
本論文は,オブジェクト指向境界ボックス表現における不連続性を完全に解決しようとする試みである。本研究では,既存の検出器に容易に統合可能なCOBB(Continuous OBB)という新しい表現法を提案する。 OOD評価のためのオープンソースのディープラーニングフレームワークJittorの検出ツールボックスJDetをベースとした,モジュール化されたベンチマークを開発した。
論文参考訳（メタデータ） (2024-02-29T09:27:40Z)
RankFeat&RankWeight: Rank-1 Feature/Weight Removal for Out-of-distribution Detection [74.48870221803242]
textttRankFeatは、最先端のパフォーマンスを実現し、平均偽陽性率(FPR95)を17.90%削減する。単一の深層パラメータ行列からランク1重みを除去するtextttRankWeightを提案する。
論文参考訳（メタデータ） (2023-11-23T12:17:45Z)
Detrimental Contexts in Open-Domain Question Answering [9.059854023578508]
質問応答に使用される検索テーマのアーキテクチャに対して,パスが有害な影響を及ぼすかを分析する。この結果から,2つの人気のあるQAデータセットにおいて,有害経路をフィルタリングすることにより,モデル精度を10%向上できることが示唆された。
論文参考訳（メタデータ） (2023-10-27T11:45:16Z)
On Context Utilization in Summarization with Large Language Models [83.84459732796302]
大きな言語モデル(LLM)は抽象的な要約タスクに優れ、流動的で関連する要約を提供する。最近の進歩は、100kトークンを超える長期入力コンテキストを扱う能力を拡張している。要約における文脈利用と位置バイアスに関する最初の総合的研究を行う。
論文参考訳（メタデータ） (2023-10-16T16:45:12Z)
Balancing Lexical and Semantic Quality in Abstractive Summarization [0.38073142980733]
本稿では,リランカが語彙的品質と意味的品質のバランスをとる新しいトレーニング手法を提案する。 CNN/DailyMail と XSum のデータセットを用いた実験では,語彙的側面を著しく劣化させることなく要約の意味を推定できることがわかった。
論文参考訳（メタデータ） (2023-05-17T02:18:31Z)
Revisiting text decomposition methods for NLI-based factuality scoring of summaries [9.044665059626958]
細粒度分解が必ずしも事実性スコアの勝利戦略であるとは限らないことを示す。また,従来提案されていたエンテーメントに基づくスコアリング手法の小さな変更により,性能が向上することを示した。
論文参考訳（メタデータ） (2022-11-30T09:54:37Z)
Okapi: Generalising Better by Making Statistical Matches Match [7.392460712829188]
オカピは、オンライン統計マッチングに基づく頑健な半教師あり学習のためのシンプルで効率的で汎用的な方法である。提案手法では, 最寄りのマッチング手法を用いて, 整合性損失に対するクロスドメインビューを生成する。経験的リスクの最小化を改善するために、余分な遅延のないデータを活用することは実際に可能であることを示す。
論文参考訳（メタデータ） (2022-11-07T12:41:17Z)
Content Popularity Prediction Based on Quantized Federated Bayesian Learning in Fog Radio Access Networks [76.16527095195893]
キャッシュ可能なフォグラジオアクセスネットワーク(F-RAN)におけるコンテンツ人気予測問題について検討する。そこで本研究では,コンテンツ要求パターンをモデル化するためのガウス過程に基づく回帰器を提案する。我々はベイズ学習を利用してモデルパラメータを訓練する。
論文参考訳（メタデータ） (2022-06-23T03:05:12Z)
Rethinking Reconstruction Autoencoder-Based Out-of-Distribution Detection [0.0]
リコンストラクションオートエンコーダに基づく手法は、入力再構成誤差を新規性対正規性の計量として用いることでこの問題に対処する。本稿では, 意味的再構成, データの確実性分解, 正規化L2距離を導入し, 元の手法を大幅に改善する。提案手法は,追加データや実装の困難さ,時間を要するパイプライン,さらには既知のクラスの分類精度を損なうことなく機能する。
論文参考訳（メタデータ） (2022-03-04T09:04:55Z)
RepPoints V2: Verification Meets Regression for Object Detection [65.120827759348]
本稿ではRepPointsのローカライズ予測に検証タスクを導入する。 RepPoints v2は、オリジナルのRepPointsよりも約2.0mAPの一貫性のある改善を提供する。提案手法は、インスタンスセグメンテーションのようなアプリケーションと同様に、他のオブジェクト検出フレームワークをより高めることができることを示す。
論文参考訳（メタデータ） (2020-07-16T17:57:08Z)

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。