論文の概要: Multi-Label Image Classification with Contrastive Learning

• arxiv url: http://arxiv.org/abs/2107.11626v1
• Date: Sat, 24 Jul 2021 15:00:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 16:09:06.749885
• Title: Multi-Label Image Classification with Contrastive Learning
• Title（参考訳）: コントラスト学習によるマルチラベル画像分類
• Authors: Son D.Dao, Ethan Zhao, Dinh Phung, Jianfei Cai
• Abstract要約: コントラスト学習の直接適用は,複数ラベルの場合においてほとんど改善できないことを示す。 完全教師付き環境下でのコントラスト学習を用いたマルチラベル分類のための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 57.47567461616912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, as an effective way of learning latent representations, contrastive learning has been increasingly popular and successful in various domains. The success of constrastive learning in single-label classifications motivates us to leverage this learning framework to enhance distinctiveness for better performance in multi-label image classification. In this paper, we show that a direct application of contrastive learning can hardly improve in multi-label cases. Accordingly, we propose a novel framework for multi-label classification with contrastive learning in a fully supervised setting, which learns multiple representations of an image under the context of different labels. This facilities a simple yet intuitive adaption of contrastive learning into our model to boost its performance in multi-label image classification. Extensive experiments on two benchmark datasets show that the proposed framework achieves state-of-the-art performance in the comparison with the advanced methods in multi-label classification.
• Abstract（参考訳）: 近年,潜在表現を効果的に学習する方法として,様々な領域でコントラスト学習が普及し,成功を収めている。 シングルラベル分類におけるコンストラッシブラーニングの成功は、この学習フレームワークを活用する動機となり、マルチラベル画像分類における特徴性の向上と性能向上に寄与する。 本稿では,マルチラベルの場合,コントラスト学習の直接的な応用がほとんど改善できないことを示す。 そこで本研究では,画像の複数の表現を異なるラベルのコンテキスト下で学習する,コントラスト学習を伴う新しいマルチラベル分類フレームワークを提案する。 本システムでは,マルチラベル画像分類の性能向上のために,コントラスト学習を簡易かつ直感的にモデルに適応させる。 2つのベンチマークデータセットの大規模な実験により,提案フレームワークは,マルチラベル分類における高度な手法との比較において,最先端の性能を達成することが示された。

関連論文リスト

• Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
  画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。 本研究では,既存のデータ拡張技術の欠点について検討する。 Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T17:23:45Z)
• Enhancing Instance-Level Image Classification with Set-Level Labels [12.778150812879034]
  設定レベルラベルを活用することで、インスタンスレベルの画像分類を強化する新しい手法を提案する。 自然画像データセットと病理画像データセットの2つのカテゴリについて実験を行った。 本アルゴリズムは,病理画像分類ベンチマークにおいて最強の基準値と比較して,分類精度が13%向上した。
  論文  参考訳（メタデータ） (2023-11-09T03:17:03Z)
• Two-Step Active Learning for Instance Segmentation with Uncertainty and Diversity Sampling [20.982992381790034]
  本研究では,不確実性に基づくサンプリングと多様性に基づくサンプリングを統合したポストホック能動学習アルゴリズムを提案する。 提案アルゴリズムは単純で実装が容易なだけでなく,様々なデータセットに対して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-09-28T03:40:30Z)
• DualCoOp++: Fast and Effective Adaptation to Multi-Label Recognition with Limited Annotations [79.433122872973]
  低ラベル体制における多ラベル画像認識は、大きな課題と実践的重要性の課題である。 我々は、何百万もの補助的な画像テキストペアで事前訓練されたテキストと視覚的特徴の強力なアライメントを活用する。 Evidence-guided Dual Context Optimization (DualCoOp++) という,効率的かつ効果的なフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-08-03T17:33:20Z)
• Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
  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)
• Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
  セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。 画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
  論文  参考訳（メタデータ） (2021-09-22T18:34:14Z)
• Learning Discriminative Representations for Multi-Label Image Recognition [13.13795708478267]
  マルチラベルタスクにおける識別的特徴を学習するための統合深層ネットワークを提案する。 ネットワーク全体を正規化することで、よく知られたResNet-101の適用性能が大幅に向上する。
  論文  参考訳（メタデータ） (2021-07-23T12:10:46Z)
• Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
  ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。 異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。 提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
  論文  参考訳（メタデータ） (2021-06-29T11:51:57Z)
• Semantic Diversity Learning for Zero-Shot Multi-label Classification [14.480713752871523]
  本研究では,マルチラベルゼロショット学習のためのエンドツーエンドモデルトレーニングを提案する。 本研究では,主埋め込みベクトルを持つ埋め込み行列を用いて,調整された損失関数を用いて訓練する。 さらに, 学習中, 組込み行列の多様性を促進するために, 高い意味的多様性を示す損失関数画像サンプルの重み付けを提案する。
  論文  参考訳（メタデータ） (2021-05-12T19:39:07Z)

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。