論文の概要: Learning Graph Embeddings for Open World Compositional Zero-Shot Learning

• arxiv url: http://arxiv.org/abs/2105.01017v1
• Date: Mon, 3 May 2021 17:08:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 13:59:04.356941
• Title: Learning Graph Embeddings for Open World Compositional Zero-Shot Learning
• Title（参考訳）: オープンワールド構成ゼロショット学習のためのグラフ埋め込み学習
• Authors: Massimiliano Mancini, Muhammad Ferjad Naeem, Yongqin Xian, Zeynep Akata
• Abstract要約: コンポジションゼロショット学習(CZSL)は、トレーニング中に見られる状態とオブジェクトの視覚的プリミティブの見えない構成を認識することを目的としている。 Co-CGE(Compositional Cosine Graph Embeddings)を提案する。 Co-CGEは、グラフ畳み込みニューラルネットワークを介して状態、オブジェクトおよびそれらの組成間の依存性をモデル化する。
• 参考スコア（独自算出の注目度）: 47.09665742252187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compositional Zero-Shot learning (CZSL) aims to recognize unseen compositions of state and object visual primitives seen during training. A problem with standard CZSL is the assumption of knowing which unseen compositions will be available at test time. In this work, we overcome this assumption operating on the open world setting, where no limit is imposed on the compositional space at test time, and the search space contains a large number of unseen compositions. To address this problem, we propose a new approach, Compositional Cosine Graph Embeddings (Co-CGE), based on two principles. First, Co-CGE models the dependency between states, objects and their compositions through a graph convolutional neural network. The graph propagates information from seen to unseen concepts, improving their representations. Second, since not all unseen compositions are equally feasible, and less feasible ones may damage the learned representations, Co-CGE estimates a feasibility score for each unseen composition, using the scores as margins in a cosine similarity-based loss and as weights in the adjacency matrix of the graphs. Experiments show that our approach achieves state-of-the-art performances in standard CZSL while outperforming previous methods in the open world scenario.
• Abstract（参考訳）: コンポジションゼロショット学習(CZSL)は、トレーニング中に見られる状態とオブジェクトの視覚的プリミティブの見えない構成を認識することを目的としている。 標準的なCZSLの問題は、テスト時に見当たらないコンポジションが利用できるかを知るという仮定である。 本研究は,テスト時の合成空間に制限が課されないオープンワールド環境でのこの仮定を克服し,探索空間に多数の見当たらない合成が含まれていることを示す。 この問題に対処するために,2つの原則に基づいた新しい手法であるComposeal Cosine Graph Embeddings (Co-CGE)を提案する。 まず、Co-CGEはグラフ畳み込みニューラルネットワークを通じて状態、オブジェクトとその構成間の依存性をモデル化する。 グラフは目に見えるものから見えないものまで情報を伝達し、その表現を改善する。 第二に、すべての見当たらない合成が等しく実現可能ではなく、学習された表現を損なう可能性があるため、co-cgeは、コサイン類似性に基づく損失のマージンとして、およびグラフの隣接行列の重みとしてスコアを用いて、見当たらない構成ごとに実現可能性スコアを推定する。 実験の結果,オープンワールドシナリオでは従来の手法を上回りながら,標準czslで最先端のパフォーマンスを実現することができた。

関連論文リスト

• Cross-composition Feature Disentanglement for Compositional Zero-shot Learning [49.919635694894204]
  合成ゼロショット学習(CZSL)において、プリミティブ(属性とオブジェクト)の視覚的特徴の歪みは例外的な結果を示した。 本稿では,複数のプリミティブ・シェアリング・コンポジションを入力とし,これらのコンポジションにまたがって一般化されるような不整合プリミティブ・コンポジションを制約するクロス・コンポジション・コンストラクション・ディエンタングルメントの解を提案する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:09Z)
• Simple Primitives with Feasibility- and Contextuality-Dependence for Open-World Compositional Zero-shot Learning [86.5258816031722]
  コンポジションゼロショット学習(CZSL)の課題は、トレーニング段階で欠落している新しい状態オブジェクトのイメージを認識することである。 コンポジション埋め込みの学習方法は、クローズドワールドCZSLにおいて有効であることが示されている。 オープンワールドCZSL (OW-CZSL) では, 組成の濃度が大きいため, その性能は著しく低下する傾向にある。
  論文  参考訳（メタデータ） (2022-11-05T12:57:06Z)
• Reference-Limited Compositional Zero-Shot Learning [19.10692212692771]
  合成ゼロショット学習(CZSL)は、既知の視覚的プリミティブの未知の合成を認識することを指す。 本稿では,メタコンポジショングラフ学習システム(MetaCGL)を提案する。
  論文  参考訳（メタデータ） (2022-08-22T03:58:02Z)
• KG-SP: Knowledge Guided Simple Primitives for Open World Compositional Zero-Shot Learning [52.422873819371276]
  オープンワールドコンポジションゼロショット学習(OW-CZSL)の目的は、画像中の状態とオブジェクトの合成を認識することである。 ここでは、単純なCZSLベースラインを再検討し、プリミティブ、すなわち状態とオブジェクトを独立して予測する。 出力空間から不可能な構成を除去するために, 外部知識を用いて各構成の有効性を推定する。 我々のモデルであるKG-SPはOW-CZSLとpCZSLの両方で技術の状態を達成する。
  論文  参考訳（メタデータ） (2022-05-13T17:18:15Z)
• On Leveraging Variational Graph Embeddings for Open World Compositional Zero-Shot Learning [3.9348884623092517]
  我々は、原始概念、すなわち対象と状態の合成を、その新しい構成でさえゼロショット分類できる方法で学習する。 基本概念の変分埋め込みを学習するための構成変分グラフオートエンコーダ(CVGAE)アプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-23T13:30:08Z)
• Learning Graph Embeddings for Compositional Zero-shot Learning [73.80007492964951]
  合成ゼロショット学習では、観察された視覚的原始状態の見えない構成を認識することが目的である。 本稿では,画像特徴と視覚的プリミティブの潜在表現をエンドツーエンドに学習するCGEという新しいグラフ定式化を提案する。 概念間のセマンティクスを符号化する共同互換性を学習することにより、WordNetのような外部知識ベースに頼ることなく、構成を見えないように一般化することができる。
  論文  参考訳（メタデータ） (2021-02-03T10:11:03Z)
• Open World Compositional Zero-Shot Learning [47.09665742252187]
  構成ゼロショット学習(CZSL)は、訓練中に見えない状態オブジェクトの合成を認識する必要がある。 我々はオープンワールドの環境で活動しており、そこでは検索スペースには多数の未知の合成が含まれている。
  論文  参考訳（メタデータ） (2021-01-29T14:45:52Z)

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。