論文の概要: Improving Facial Attribute Recognition by Group and Graph Learning

• arxiv url: http://arxiv.org/abs/2105.13825v1
• Date: Fri, 28 May 2021 13:36:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:36:07.231603
• Title: Improving Facial Attribute Recognition by Group and Graph Learning
• Title（参考訳）: グループとグラフ学習による顔属性認識の改善
• Authors: Zhenghao Chen and Shuhang Gu and Feng Zhu and Jing Xu and Rui Zhao
• Abstract要約: 属性間の関係を爆発させることは、顔属性認識を改善する上で重要な課題である。 本研究では,空間的関係と非空間的関係の2種類の相関関係について考察する。 マルチスケールグループとグラフネットワークという統合ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 34.39507051712628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exploiting the relationships between attributes is a key challenge for improving multiple facial attribute recognition. In this work, we are concerned with two types of correlations that are spatial and non-spatial relationships. For the spatial correlation, we aggregate attributes with spatial similarity into a part-based group and then introduce a Group Attention Learning to generate the group attention and the part-based group feature. On the other hand, to discover the non-spatial relationship, we model a group-based Graph Correlation Learning to explore affinities of predefined part-based groups. We utilize such affinity information to control the communication between all groups and then refine the learned group features. Overall, we propose a unified network called Multi-scale Group and Graph Network. It incorporates these two newly proposed learning strategies and produces coarse-to-fine graph-based group features for improving facial attribute recognition. Comprehensive experiments demonstrate that our approach outperforms the state-of-the-art methods.
• Abstract（参考訳）: 属性間の関係性を活用することは、複数の顔属性認識を改善する上で重要な課題である。 本研究では,空間的関係と非空間的関係の2種類の相関関係について考察する。 空間的相関について,部分群に類似した属性を集約し,グループ注意学習を導入し,グループ注意と部分的グループ特徴を生成する。 一方,非空間的関係を見出すために,事前定義された部分的関係の親和性を調べるために,グループベースグラフ相関学習をモデル化する。 このような親和性情報を用いて,すべてのグループ間のコミュニケーションを制御し,学習したグループの特徴を洗練する。 全体として,マルチスケールグループとグラフネットワークという統合ネットワークを提案する。 新たに提案された2つの学習戦略を取り入れ、顔属性認識を改善するために粗いグラフベースのグループ機能を生成する。 総合的な実験により、我々の手法は最先端の手法よりも優れていることが示された。

関連論文リスト

• Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
  マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。 元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。 これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
  論文  参考訳（メタデータ） (2024-09-25T13:11:17Z)
• Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph [68.08590487960475]
  グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
  論文  参考訳（メタデータ） (2022-11-02T01:42:20Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Graph Neural Netwrok with Interaction Pattern for Group Recommendation [1.066048003460524]
  GIP4GRモデル(グループ推薦のための相互作用パターン付きグラフニューラルネットワーク)を提案する。 具体的には,グラフのトポロジ的構造におけるグループ・ユーザ間相互作用を表現するために,強力な表現能力を持つグラフニューラルネットワークフレームワークを用いた。 2つの実世界のデータセットで多くの実験を行い、モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-09-21T13:42:46Z)
• Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation [35.841350982832545]
  グループレコメンデーションは、データスパシティの問題に深刻な問題を抱えています。 本稿では,グループ推薦のための自己教師付きハイパーグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-09T12:19:49Z)
• Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
  グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。 複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
  論文  参考訳（メタデータ） (2021-07-20T22:09:21Z)
• Learning Spatial Context with Graph Neural Network for Multi-Person Pose Grouping [71.59494156155309]
  イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。 本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。 学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
  論文  参考訳（メタデータ） (2021-04-06T09:21:14Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Clustering based Contrastive Learning for Improving Face Representations [34.75646290505793]
  本稿では,クラスタリングに基づく新しい表現学習手法であるContrastive Learning (CCL)を提案する。 CCLは、ビデオ制約とともにクラスタリングから得られたラベルを使用して、非ネイティブな顔の特徴を学習する。
  論文  参考訳（メタデータ） (2020-04-05T13:11:44Z)

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。