論文の概要: Recovering the Unbiased Scene Graphs from the Biased Ones

• arxiv url: http://arxiv.org/abs/2107.02112v1
• Date: Mon, 5 Jul 2021 16:10:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-06 14:48:32.065819
• Title: Recovering the Unbiased Scene Graphs from the Biased Ones
• Title（参考訳）: バイアスのないシーングラフを復元する
• Authors: Meng-Jiun Chiou, Henghui Ding, Hanshu Yan, Changhu Wang, Roger Zimmermann, Jiashi Feng
• Abstract要約: ラベルが不足しているため、シーングラフ生成(SGG)は「肯定的・未ラベルデータからの学習」(PU学習)問題とみなすことができる。 本稿では,複数のトレーニングイテレーションにまたがって,トレーニング時のデータ拡張と平均値を活用するために,動的ラベル周波数推定(DLFE)を提案する。 拡張実験の結果,DLFEは従来の推定法よりもラベル周波数の推定に有効であり,DLFEは長い尾を著しく緩和することがわかった。
• 参考スコア（独自算出の注目度）: 99.24441932582195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given input images, scene graph generation (SGG) aims to produce comprehensive, graphical representations describing visual relationships among salient objects. Recently, more efforts have been paid to the long tail problem in SGG; however, the imbalance in the fraction of missing labels of different classes, or reporting bias, exacerbating the long tail is rarely considered and cannot be solved by the existing debiasing methods. In this paper we show that, due to the missing labels, SGG can be viewed as a "Learning from Positive and Unlabeled data" (PU learning) problem, where the reporting bias can be removed by recovering the unbiased probabilities from the biased ones by utilizing label frequencies, i.e., the per-class fraction of labeled, positive examples in all the positive examples. To obtain accurate label frequency estimates, we propose Dynamic Label Frequency Estimation (DLFE) to take advantage of training-time data augmentation and average over multiple training iterations to introduce more valid examples. Extensive experiments show that DLFE is more effective in estimating label frequencies than a naive variant of the traditional estimate, and DLFE significantly alleviates the long tail and achieves state-of-the-art debiasing performance on the VG dataset. We also show qualitatively that SGG models with DLFE produce prominently more balanced and unbiased scene graphs.
• Abstract（参考訳）: 入力画像が与えられた場合、シーングラフ生成(SGG)は、有能なオブジェクト間の視覚的関係を記述する包括的でグラフィカルな表現を作ることを目的としている。 近年、SGGの長い尾の問題により多くの努力が払われているが、異なるクラスのラベルの欠落や報告バイアスの欠如により、長い尾の悪化がほとんど考慮されず、既存のデバイアス法では解決できない。 本稿では,ラベルの欠落により,SGGを「肯定的・未ラベルデータからの学習」(PU学習)問題とみなすことができ,全ての正の例において,ラベル頻度を利用してバイアスのない確率を回復することにより,報告バイアスを除去できることを示す。 ラベル周波数推定を精度良く行うために,複数のトレーニングイテレーションにまたがるトレーニング時間の増大と平均値を活用するために,動的ラベル周波数推定(DLFE)を提案する。 拡張実験により、DLFEは従来の推定法よりもラベル周波数の推定に有効であることが示され、DLFEは長い尾を著しく軽減し、VGデータセットの最先端の劣化性能を達成する。 また,dlfeを用いたsggモデルが,よりバランスよく偏りのないシーングラフを生成することを定性的に示す。

関連論文リスト

• Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
  現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。 本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。 我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
  論文  参考訳（メタデータ） (2024-10-08T15:06:10Z)
• FloCoDe: Unbiased Dynamic Scene Graph Generation with Temporal Consistency and Correlation Debiasing [14.50214193838818]
  FloCoDe: 動的シーングラフに対する不確実性減衰を伴うフロー認識時間と相関バイアス 本稿では,長い尾を持つクラスに対する非バイアス付き関係表現を学習するために,相関バイアスと相関に基づく損失を提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:59:51Z)
• Beyond Myopia: Learning from Positive and Unlabeled Data through Holistic Predictive Trends [26.79150786180822]
  我々は、PULで興味深いが、長い間見過ごされてきた観察を公表する。 ポジティブクラスとネガティブクラスの予測傾向は、明らかに異なるパターンを示す。 本稿では,TPPにインスパイアされた新しいトレンド検出尺度を提案し,変化予測における不偏性を証明する。
  論文  参考訳（メタデータ） (2023-10-06T08:06:15Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Semi-Supervised Graph Imbalanced Regression [17.733488328772943]
  本稿では,学習データを段階的にバランスさせ,自己学習によるモデルバイアスを低減するための半教師付きフレームワークを提案する。 その結果,提案フレームワークは予測されたグラフ特性の誤差を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2023-05-20T04:11:00Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Confidence May Cheat: Self-Training on Graph Neural Networks under Distribution Shift [39.73304203101909]
  高信頼の未ラベルノードをラベル付けし、トレーニングステップに追加することで、グラフ上での自己学習手法が広く採用されている。 本稿では,従来のラベル付きデータセットの分布を復元する新しい分散検索フレームワーク(DR-GST)を提案する。 5つのベンチマークデータセットの理論的解析と広範な実験は、提案したDR-GSTの有効性を実証している。
  論文  参考訳（メタデータ） (2022-01-27T07:12:27Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• Adaptive Label Smoothing To Regularize Large-Scale Graph Training [46.00927775402987]
  本研究では, 適応ラベル平滑化法 (ALS) を提案する。 ALSはノードラベルを伝播して、前処理ステップで近隣ラベルの分布を集約し、その後、最適なスムーズなラベルをオンラインで更新して、特定のグラフ構造に適合させる。
  論文  参考訳（メタデータ） (2021-08-30T23:51:31Z)
• Disentangling Sampling and Labeling Bias for Learning in Large-Output Spaces [64.23172847182109]
  異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。 すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
  論文  参考訳（メタデータ） (2021-05-12T15:40:13Z)

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。