論文の概要: MMF: Multi-Task Multi-Structure Fusion for Hierarchical Image
Classification
- arxiv url: http://arxiv.org/abs/2107.00808v1
- Date: Fri, 2 Jul 2021 02:53:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-05 12:51:27.520485
- Title: MMF: Multi-Task Multi-Structure Fusion for Hierarchical Image
Classification
- Title(参考訳): MMF:階層画像分類のためのマルチタスク多構造融合
- Authors: Xiaoni Li, Yucan Zhou, Yu Zhou, Weiping Wang
- Abstract要約: 我々は、異なるラベル構造がカテゴリ認識に様々な事前知識を提供すると考えている。
異なるラベル構造を統合するマルチタスク多構造融合モデルを提案する。
- 参考スコア(独自算出の注目度): 10.713537820833665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hierarchical classification is significant for complex tasks by providing
multi-granular predictions and encouraging better mistakes. As the label
structure decides its performance, many existing approaches attempt to
construct an excellent label structure for promoting the classification
results. In this paper, we consider that different label structures provide a
variety of prior knowledge for category recognition, thus fusing them is
helpful to achieve better hierarchical classification results. Furthermore, we
propose a multi-task multi-structure fusion model to integrate different label
structures. It contains two kinds of branches: one is the traditional
classification branch to classify the common subclasses, the other is
responsible for identifying the heterogeneous superclasses defined by different
label structures. Besides the effect of multiple label structures, we also
explore the architecture of the deep model for better hierachical
classification and adjust the hierarchical evaluation metrics for multiple
label structures. Experimental results on CIFAR100 and Car196 show that our
method obtains significantly better results than using a flat classifier or a
hierarchical classifier with any single label structure.
- Abstract(参考訳): 階層的分類は、複数の粒度の予測を提供し、より良い誤りを促すことで複雑なタスクに重要である。
ラベル構造が性能を決定すると、多くの既存手法が分類結果を促進するための優れたラベル構造を構築しようとする。
本稿では,異なるラベル構造がカテゴリ認識に様々な事前知識を提供すると考えているので,それらを融合させることにより,階層的な分類結果の改善が期待できる。
さらに,異なるラベル構造を統合するマルチタスク多構造融合モデルを提案する。
1つは共通のサブクラスを分類する伝統的な分類枝であり、もう1つは異なるラベル構造によって定義される異種スーパークラスを特定する責任がある。
また,複数のラベル構造の効果に加えて,階層分類の精度向上と階層評価指標の調整のために,ディープモデルのアーキテクチャについても検討する。
cifar100 と car196 の実験結果から,任意のラベル構造を持つフラット分類器や階層分類器よりはるかに優れた結果が得られることがわかった。
関連論文リスト
- Bidirectional Logits Tree: Pursuing Granularity Reconcilement in Fine-Grained Classification [89.20477310885731]
本稿では,粒度分類タスクにおけるグラニュラリティコンペティションの課題について述べる。
既存のアプローチは通常、共通のベースエンコーダから抽出された共有特徴に基づいて、独立した階層認識モデルを開発する。
グラニュラリティ再構成のための双方向ロジットツリー(BiLT)と呼ばれる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-17T10:42:19Z) - Multi-Label Knowledge Distillation [86.03990467785312]
本稿では,新しい多ラベル知識蒸留法を提案する。
一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。
一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
論文 参考訳(メタデータ) (2023-08-12T03:19:08Z) - Adopting the Multi-answer Questioning Task with an Auxiliary Metric for
Extreme Multi-label Text Classification Utilizing the Label Hierarchy [10.87653109398961]
本稿では,過度なマルチラベル分類のための複数問合せタスクを採用する。
本研究では,提案手法と評価基準を法域に適用する。
論文 参考訳(メタデータ) (2023-03-02T08:40:31Z) - Use All The Labels: A Hierarchical Multi-Label Contrastive Learning
Framework [75.79736930414715]
本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。
比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
論文 参考訳(メタデータ) (2022-04-27T21:41:44Z) - Label Hierarchy Transition: Delving into Class Hierarchies to Enhance
Deep Classifiers [40.993137740456014]
本稿では,階層型分類の課題に対処するために,ディープラーニングに基づく統一確率的フレームワークを提案する。
提案するフレームワークは、わずかに修正するだけで、既存のディープネットワークに容易に適応できる。
提案するLHTフレームワークを皮膚病変診断タスクに拡張し,コンピュータ支援診断におけるその大きな可能性を検証した。
論文 参考訳(メタデータ) (2021-12-04T14:58:36Z) - Expert Knowledge-Guided Length-Variant Hierarchical Label Generation for
Proposal Classification [21.190465278587045]
提案分類は、提案をラベルの長さ可変シーケンスに分類することを目的としている。
我々は3つの特徴を共同でモデル化する新しいディーププロポーザル分類フレームワークを開発した。
我々のモデルは,次のラベル予測を止めるために,ラベルシーケンスの最適な長さを自動的に識別することができる。
論文 参考訳(メタデータ) (2021-09-14T13:09:28Z) - Inducing a hierarchy for multi-class classification problems [11.58041597483471]
分類的ラベルが自然な階層に従ったアプリケーションでは、ラベル構造を利用する分類方法は、そうでないものをしばしば上回る。
本稿では,フラット分類器に対する分類性能を向上できる階層構造を誘導する手法のクラスについて検討する。
原理シミュレーションと3つの実データアプリケーションにおいて、潜入階層の発見と精度向上のためのメソッドのクラスの有効性を実証する。
論文 参考訳(メタデータ) (2021-02-20T05:40:42Z) - MATCH: Metadata-Aware Text Classification in A Large Hierarchy [60.59183151617578]
MATCHはメタデータと階層情報の両方を利用するエンドツーエンドのフレームワークである。
親による各子ラベルのパラメータと出力確率を正規化するさまざまな方法を提案します。
大規模なラベル階層を持つ2つの大規模なテキストデータセットの実験は、MATCHの有効性を示しています。
論文 参考訳(メタデータ) (2021-02-15T05:23:08Z) - Joint Learning of Hyperbolic Label Embeddings for Hierarchical
Multi-label Classification [9.996804039553858]
ラベルが階層内に存在するマルチラベル分類の問題を検討する。
共同学習のための新しい定式化を提案し,その効果を実証的に評価する。
論文 参考訳(メタデータ) (2021-01-13T10:58:54Z) - Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。
実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
論文 参考訳(メタデータ) (2020-09-12T17:36:53Z) - 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。