論文の概要: Learning Single/Multi-Attribute of Object with Symmetry and Group
- arxiv url: http://arxiv.org/abs/2110.04603v1
- Date: Sat, 9 Oct 2021 15:57:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 14:46:38.282797
- Title: Learning Single/Multi-Attribute of Object with Symmetry and Group
- Title（参考訳）: シンメトリーとグループによる物体の単一/多属性学習
- Authors: Yong-Lu Li, Yue Xu, Xinyu Xu, Xiaohan Mao, Cewu Lu
- Abstract要約: 本稿では,従来無視されていた属性オブジェクト変換の原理について述べる。
対称性を取り入れた群理論,すなわちSymNetに着想を得た変換フレームワークを提案する。
我々は、SymNetを実装するためにディープニューラルネットワークを採用し、グループ公理と対称性を目的とするエンドツーエンドパラダイムでトレーニングする。
- 参考スコア（独自算出の注目度）: 47.02794596975398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Attributes and objects can compose diverse compositions. To model the
compositional nature of these concepts, it is a good choice to learn them as
transformations, e.g., coupling and decoupling. However, complex
transformations need to satisfy specific principles to guarantee rationality.
Here, we first propose a previously ignored principle of attribute-object
transformation: Symmetry. For example, coupling peeled-apple with attribute
peeled should result in peeled-apple, and decoupling peeled from apple should
still output apple. Incorporating the symmetry, we propose a transformation
framework inspired by group theory, i.e., SymNet. It consists of two modules:
Coupling Network and Decoupling Network. We adopt deep neural networks to
implement SymNet and train it in an end-to-end paradigm with the group axioms
and symmetry as objectives. Then, we propose a Relative Moving Distance (RMD)
based method to utilize the attribute change instead of the attribute pattern
itself to classify attributes. Besides the compositions of single-attribute and
object, our RMD is also suitable for complex compositions of multiple
attributes and objects when incorporating attribute correlations. SymNet can be
utilized for attribute learning, compositional zero-shot learning and
outperforms the state-of-the-art on four widely-used benchmarks. Code is at
https://github.com/DirtyHarryLYL/SymNet.
- Abstract（参考訳）: 属性とオブジェクトは多様な構成を構成できる。
これらの概念の構成的性質をモデル化するには、カップリングやデカップリングといった変換として学ぶのがよい選択です。
しかし、複雑な変換は合理性を保証するための特定の原則を満たす必要がある。
ここでは,まず属性-オブジェクト変換の原則である対称性を提案する。
例えば、ピールされたアップルと属性のピールを結合すると、ピールされたアップルになるでしょう。
対称性を組み込んだ群理論,すなわちSymNetに着想を得た変換フレームワークを提案する。
Coupling NetworkとDecoupling Networkの2つのモジュールで構成されている。
我々は、SymNetを実装するためにディープニューラルネットワークを採用し、グループ公理と対称性を目的とするエンドツーエンドパラダイムでトレーニングする。
次に,属性パターンそのものではなく属性変化を利用して属性を分類するための相対移動距離(rmd)ベースの手法を提案する。
単一属性とオブジェクトの合成に加えて,RMDは属性相関を組み込んだ複数の属性とオブジェクトの複雑な合成にも適している。
SymNetは属性学習、合成ゼロショット学習に利用でき、4つの広く使用されているベンチマークで最先端の性能を発揮する。
コードはhttps://github.com/DirtyHarryLYL/SymNetにある。
関連論文リスト
- CSCNET: Class-Specified Cascaded Network for Compositional Zero-Shot
Learning [62.090051975043544]
属性とオブジェクト(A-O)の絡み合いは、合成ゼロショット学習(CZSL)の基本的かつ重要な問題である
CZSL(Class-specified Cascaded Network, CSCNet)のための新しいA-O不整合フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-09T14:18:41Z) - Learning Dynamic Attribute-factored World Models for Efficient
Multi-object Reinforcement Learning [6.447052211404121]
多くの強化学習タスクでは、エージェントは異なるタイプの多くのオブジェクトと対話し、目に見えない組み合わせやオブジェクト数に一般化する必要がある。
最近の研究は、サンプル効率を改善するために、オブジェクト指向表現と階層的抽象化の利点を示している。
本稿では、動的属性FacTored RL(DAFT-RL)フレームワークを導入し、オブジェクト属性の係数化の利点を利用する。
論文 参考訳（メタデータ） (2023-07-18T12:41:28Z) - Learning Conditional Attributes for Compositional Zero-Shot Learning [78.24309446833398]
合成ゼロショット学習(CZSL)は、新しい合成概念を認識するためにモデルを訓練することを目的としている。
課題の1つは、異なる物体、例えば「濡れたリンゴ」と「濡れた猫」の属性をモデル化することである。
我々は、属性が認識対象と入力画像に条件付けされていることを議論し、条件付き属性の埋め込みを学習する。
論文 参考訳（メタデータ） (2023-05-29T08:04:05Z) - Contextualizing Meta-Learning via Learning to Decompose [125.76658595408607]
本稿では,メタ学習型サポート・ツー・ターゲット戦略の文脈化を図るために,ネットワーク(LeadNet)を分解する学習を提案する。
LeadNetは、コンテキスト間の比較をポリセムの埋め込みに組み込むことで、右に関連付けられた戦略を自動的に選択することを学ぶ。
論文 参考訳（メタデータ） (2021-06-15T13:10:56Z) - CORSAIR: Convolutional Object Retrieval and Symmetry-AIded Registration [14.79639149658596]
完全畳み込みオブジェクト検索とシンメトリーエイド登録の開発とアプローチを行います。
提案手法のロバスト性を検証するために,異なるオブジェクトカテゴリの合成データと実世界のデータセットの結果を示す。
論文 参考訳（メタデータ） (2021-03-11T19:12:48Z) - Meta-Learning Symmetries by Reparameterization [63.85144439337671]
データから対応するパラメータ共有パターンを学習し、等価性をネットワークに学習し、符号化する手法を提案する。
本実験は,画像処理タスクで使用される共通変換に等価性をエンコードして自動的に学習できることを示唆する。
論文 参考訳（メタデータ） (2020-07-06T17:59:54Z) - Symmetry and Group in Attribute-Object Compositions [47.66777137079126]
まず,属性オブジェクト変換の以前に無視された原則を提案する。
対称性の原理を取り入れ、群論にインスパイアされた変換フレームワーク、すなわちSymNetが構築される。
我々の対称性学習は、コンポジションゼロショット学習タスクに利用することができ、広く使用されているベンチマークで最先端の性能を発揮する。
論文 参考訳（メタデータ） (2020-04-01T17:16:57Z)
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。