Fugu-MT 論文翻訳(概要): Multi-Label Learning from Single Positive Labels

論文の概要: Multi-Label Learning from Single Positive Labels

arxiv url: http://arxiv.org/abs/2106.09708v1
Date: Thu, 17 Jun 2021 17:58:04 GMT
ステータス: 処理完了
システム内更新日: 2021-06-18 16:04:17.280553
Title: Multi-Label Learning from Single Positive Labels
Title（参考訳）: シングル陽性ラベルからのマルチラベル学習
Authors: Elijah Cole, Oisin Mac Aodha, Titouan Lorieul, Pietro Perona, Dan Morris, Nebojsa Jojic
Abstract要約: 与えられた画像に対して適用可能なラベルを全て予測することは、マルチラベル分類(multi-label classification)として知られている。その結果,ラベルの確認が著しく少ないにもかかわらず,完全ラベル付き分類器の性能にアプローチできることが示唆された。
参考スコア（独自算出の注目度）: 37.17676289125165
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predicting all applicable labels for a given image is known as multi-label classification. Compared to the standard multi-class case (where each image has only one label), it is considerably more challenging to annotate training data for multi-label classification. When the number of potential labels is large, human annotators find it difficult to mention all applicable labels for each training image. Furthermore, in some settings detection is intrinsically difficult e.g. finding small object instances in high resolution images. As a result, multi-label training data is often plagued by false negatives. We consider the hardest version of this problem, where annotators provide only one relevant label for each image. As a result, training sets will have only one positive label per image and no confirmed negatives. We explore this special case of learning from missing labels across four different multi-label image classification datasets for both linear classifiers and end-to-end fine-tuned deep networks. We extend existing multi-label losses to this setting and propose novel variants that constrain the number of expected positive labels during training. Surprisingly, we show that in some cases it is possible to approach the performance of fully labeled classifiers despite training with significantly fewer confirmed labels.
Abstract（参考訳）: 与えられた画像のすべての適用可能なラベルを予測することは、マルチラベル分類として知られている。標準のマルチクラスケース(各画像が1つのラベルしか持たない)と比較すると、マルチラベル分類のトレーニングデータをアノテートするのはかなり難しい。潜在的なラベルの数が大きい場合、人間のアノテータはトレーニング画像ごとに適用可能なラベルをすべて言及することは困難である。さらに、いくつかの設定では、例えば、検出は本質的に難しい。高解像度画像で小さなオブジェクトインスタンスを見つける。その結果、複数ラベルのトレーニングデータは、しばしば偽陰性に悩まされる。この問題の最も難しいバージョンは、アノテータが各画像に関連付けられたラベルを1つだけ提供するものである。その結果、トレーニングセットは画像ごとに1つの正のラベルしか持たず、確認された負のラベルは持たない。線形分類器とエンド・ツー・エンドの微調整深層ネットワークのための4つの異なるマルチラベル画像分類データセットにまたがるラベルの欠落から学習するこの特別なケースについて検討する。既存のマルチラベル損失をこの設定に拡張し、トレーニング中に期待される正のラベルの数を制限する新しい変種を提案する。驚くべきことに,ラベルの確認が著しく少ないにもかかわらず,完全ラベル付き分類器の性能にアプローチすることが可能であるケースもある。

関連論文リスト

Determined Multi-Label Learning via Similarity-Based Prompt [12.428779617221366]
マルチラベル分類では、各トレーニングインスタンスは複数のクラスラベルに同時に関連付けられている。この問題を軽減するために,textitDetermined Multi-Label Learning (DMLL) と呼ばれる新しいラベル設定を提案する。
論文参考訳（メタデータ） (2024-03-25T07:08:01Z)
Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [95.12263518034939]
imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
論文参考訳（メタデータ） (2023-05-22T04:50:28Z)
Bridging the Gap between Model Explanations in Partially Annotated Multi-label Classification [85.76130799062379]
偽陰性ラベルがモデルの説明にどのように影響するかを考察する。本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
論文参考訳（メタデータ） (2023-04-04T14:00:59Z)
Learning Reliable Representations for Incomplete Multi-View Partial Multi-Label Classification [65.95823612309356]
本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
論文参考訳（メタデータ） (2023-03-30T03:09:25Z)
Identifying Incorrect Annotations in Multi-Label Classification Data [14.94741409713251]
マルチラベル分類データセットにおけるラベルの誤用例を見つけるアルゴリズムについて検討する。本稿では、この設定に対する信頼学習フレームワークの拡張と、ラベルエラーのある事例を正しくラベル付けされたものよりも格付けするラベル品質スコアを提案する。
論文参考訳（メタデータ） (2022-11-25T05:03:56Z)
G2NetPL: Generic Game-Theoretic Network for Partial-Label Image Classification [14.82038002764209]
マルチラベル画像分類は、画像内の全ての可能なラベルを予測することを目的としている。既存の部分ラベル学習の研究は、各トレーニングイメージが正負のラベルのサブセットでラベル付けされている場合に焦点を当てている。本稿では、部分ラベル学習のためのエンドツーエンドのジェネリックゲーム理論ネットワーク(G2NetPL)を提案する。
論文参考訳（メタデータ） (2022-10-20T17:59:21Z)
PLMCL: Partial-Label Momentum Curriculum Learning for Multi-Label Image Classification [25.451065364433028]
マルチラベル画像分類は、画像内の全ての可能なラベルを予測することを目的としている。既存の部分ラベル学習の研究は、各トレーニングイメージがラベルのサブセットでアノテートされている場合に焦点を当てている。本稿では,トレーニング画像のサブセットのみをラベル付けした新たな部分ラベル設定を提案する。
論文参考訳（メタデータ） (2022-08-22T01:23:08Z)
Acknowledging the Unknown for Multi-label Learning with Single Positive Labels [65.5889334964149]
伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
論文参考訳（メタデータ） (2022-03-30T11:43:59Z)
Re-labeling ImageNet: from Single to Multi-Labels, from Global to Localized Labels [34.13899937264952]
ImageNetは間違いなく最も人気のある画像分類ベンチマークですが、ラベルノイズのかなりのレベルを持つものでもあります。近年の研究では、シングルラベルベンチマークと仮定されているにもかかわらず、多くのサンプルが複数のクラスを含んでいることが示されている。私たちは、単一ラベルアノテーションと効果的に複数のラベル画像の間のミスマッチは、ランダムな作物が適用されるトレーニングセットアップにおいて同様に問題であると主張しています。
論文参考訳（メタデータ） (2021-01-13T11:55:58Z)
One-bit Supervision for Image Classification [121.87598671087494]
1ビットの監視は、不完全なアノテーションから学ぶための新しい設定である。負ラベル抑圧を既成の半教師付き学習アルゴリズムに組み込んだ多段階学習パラダイムを提案する。
論文参考訳（メタデータ） (2020-09-14T03:06:23Z)
Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
論文参考訳（メタデータ） (2020-04-20T12:13:43Z)

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。