論文の概要: Dual-Tuning: Joint Prototype Transfer and Structure Regularization for Compatible Feature Learning

• arxiv url: http://arxiv.org/abs/2108.02959v1
• Date: Fri, 6 Aug 2021 06:39:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:31:49.321946
• Title: Dual-Tuning: Joint Prototype Transfer and Structure Regularization for Compatible Feature Learning
• Title（参考訳）: Dual-Tuning:互換性のある特徴学習のための共同プロトタイプ転送と構造規則化
• Authors: Yan Bai, Jile Jiao, Shengsen Wu, Yihang Lou, Jun Liu, Xuetao Feng, and Ling-Yu Duan
• Abstract要約: 本稿では,異なるネットワークと損失に対する機能互換性を得るために,グローバルなDual-Tuning手法を提案する。 百万のデータセットに対する実験結果から、Dual-Tuningはパフォーマンスを犠牲にすることなく、機能の互換性を得ることができることが示された。
• 参考スコア（独自算出の注目度）: 44.38861797820157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual retrieval system faces frequent model update and deployment. It is a heavy workload to re-extract features of the whole database every time.Feature compatibility enables the learned new visual features to be directly compared with the old features stored in the database. In this way, when updating the deployed model, we can bypass the inflexible and time-consuming feature re-extraction process. However, the old feature space that needs to be compatible is not ideal and faces the distribution discrepancy problem with the new space caused by different supervision losses. In this work, we propose a global optimization Dual-Tuning method to obtain feature compatibility against different networks and losses. A feature-level prototype loss is proposed to explicitly align two types of embedding features, by transferring global prototype information. Furthermore, we design a component-level mutual structural regularization to implicitly optimize the feature intrinsic structure. Experimental results on million-scale datasets demonstrate that our Dual-Tuning is able to obtain feature compatibility without sacrificing performance. (Our code will be avaliable at https://github.com/yanbai1993/Dual-Tuning)
• Abstract（参考訳）: ビジュアル検索システムは頻繁なモデル更新とデプロイに直面している。 機能互換性により、学習した新しい視覚的機能をデータベースに格納された古い機能と直接比較することができる。 このようにして、デプロイされたモデルを更新すると、柔軟性と時間を要する機能の再抽出プロセスを回避できます。 しかし、互換性を持つ必要がある古い特徴空間は理想的ではなく、異なる監督損失に起因する新しい空間との分布差問題に直面している。 本研究では,異なるネットワークと損失に対する機能互換性を得るために,グローバル最適化のデュアルチューニング手法を提案する。 グローバルなプロトタイプ情報を転送することで,2種類の埋め込み機能を明示的に整列させる特徴レベルプロトタイプの損失を提案する。 さらに,特徴固有構造を暗黙的に最適化するために,コンポーネントレベルの相互構造規則化を設計する。 百万のデータセットに対する実験結果から、Dual-Tuningはパフォーマンスを犠牲にすることなく機能互換性を得ることができることが示された。 (私たちのコードはhttps://github.com/yanbai 1993/Dual-Tuning)

関連論文リスト

• Retain, Blend, and Exchange: A Quality-aware Spatial-Stereo Fusion Approach for Event Stream Recognition [57.74076383449153]
  本稿では,差分融合によるイベントストリームに基づくパターン認識のための新しいデュアルストリームフレームワークEFV++を提案する。 イベントイメージとイベントボクセルという2つの共通のイベント表現を同時にモデル化する。 Bullying10kデータセットで新しい最先端のパフォーマンス、すなわち90.51%$を達成し、2位を+2.21%$で上回る。
  論文  参考訳（メタデータ） (2024-06-27T02:32:46Z)
• Bilateral Network with Residual U-blocks and Dual-Guided Attention for Real-time Semantic Segmentation [18.393208069320362]
  注意計算によって導かれる2分岐アーキテクチャのための新しい融合機構を設計する。 正確には、DGA(Dual-Guided Attention)モジュールを使用して、いくつかのマルチスケール変換を置き換えることを提案した。 Cityscapes と CamVid のデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-31T09:20:59Z)
• MixBCT: Towards Self-Adapting Backward-Compatible Training [66.52766344751635]
  そこで本研究では,単純かつ高効率な後方互換性学習法であるMixBCTを提案する。 大規模顔認識データセットMS1Mv3とIJB-Cについて実験を行った。
  論文  参考訳（メタデータ） (2023-08-14T05:55:38Z)
• FastFill: Efficient Compatible Model Update [40.27741553705222]
  FastFillは、機能アライメントとポリシーベースの部分的なバックフィルを使用して、互換性のあるモデル更新プロセスである。 過去のバックフィル戦略は性能低下に悩まされており,オンライン部分補充におけるトレーニング目標と注文の重要性が示されている。
  論文  参考訳（メタデータ） (2023-03-08T18:03:51Z)
• Reference Twice: A Simple and Unified Baseline for Few-Shot Instance Segmentation [103.90033029330527]
  FSIS(Few-Shot Instance)は、サポート例が限定された新しいクラスの検出とセグメンテーションを必要とする。 我々は、FSISのサポートとクエリ機能の関係を利用するための統合フレームワーク、Reference Twice(RefT)を導入する。
  論文  参考訳（メタデータ） (2023-01-03T15:33:48Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)
• Better Feature Integration for Named Entity Recognition [30.676768644145]
  両タイプの機能をSynergized-LSTM(Syn-LSTM)に組み込むためのシンプルで堅牢なソリューションを提案する。 その結果、提案モデルが従来のアプローチよりも優れたパフォーマンスを実現し、パラメータを少なくできることが示された。
  論文  参考訳（メタデータ） (2021-04-12T09:55:06Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• Looking for change? Roll the Dice and demand Attention [0.0]
  高解像度空中画像における意味変化検出のための信頼性の高いディープラーニングフレームワークを提案する。 我々のフレームワークは、新しいロス関数、新しいアテンションモジュール、新しい機能抽出ビルディングブロック、新しいバックボーンアーキテクチャで構成されています。 我々は,2つの建物変更検出データセットに対して,優れた性能を示すとともに,美術スコア(F1とIoUに対するインターセクション)の達成状況を示すことによって,我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2020-09-04T08:30:25Z)

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。