論文の概要: Confidence-Aware Active Feedback for Efficient Instance Search
- arxiv url: http://arxiv.org/abs/2110.12255v1
- Date: Sat, 23 Oct 2021 16:14:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 18:22:09.292614
- Title: Confidence-Aware Active Feedback for Efficient Instance Search
- Title(参考訳): 効率的なインスタンス検索のための信頼度を考慮したアクティブフィードバック
- Authors: Yue Zhang, Chao Liang, Longxiang Jiang
- Abstract要約: 関連性フィードバックは、不完全なランキング結果をさらに洗練させるために、インスタンス検索(INS)タスクで広く使用されている。
本稿では,最も価値の高いフィードバック候補を効率的に選択できる信頼性対応アクティブフィードバック(CAAF)手法を提案する。
特にCAAFは、TRECVID 2021の大規模ビデオINS評価において、第1位を記録している。
- 参考スコア(独自算出の注目度): 21.8172170825049
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Relevance feedback is widely used in instance search (INS) tasks to further
refine imperfect ranking results, but it often comes with low interaction
efficiency. Active learning (AL) technique has achieved great success in
improving annotation efficiency in classification tasks. However, considering
irrelevant samples' diversity and class imbalance in INS tasks, existing AL
methods cannot always select the most suitable feedback candidates for INS
problems. In addition, they are often too computationally complex to be applied
in interactive INS scenario. To address the above problems, we propose a
confidence-aware active feedback (CAAF) method that can efficiently select the
most valuable feedback candidates to improve the re-ranking performance.
Specifically, inspired by the explicit sample difficulty modeling in self-paced
learning, we utilize a pairwise manifold ranking loss to evaluate the ranking
confidence of each unlabeled sample, and formulate the INS process as a
confidence-weighted manifold ranking problem. Furthermore, we introduce an
approximate optimization scheme to simplify the solution from QP problems with
constraints to closed-form expressions, and selects only the top-K samples in
the initial ranking list for INS, so that CAAF is able to handle large-scale
INS tasks in a short period of time. Extensive experiments on both image and
video INS tasks demonstrate the effectiveness of the proposed CAAF method. In
particular, CAAF outperforms the first-place record in the public large-scale
video INS evaluation of TRECVID 2021.
- Abstract(参考訳): 関連性フィードバックは、不完全なランキング結果をさらに洗練させるために、インスタンス検索(INS)タスクで広く使われているが、しばしば相互作用効率が低い。
アクティブラーニング(AL)技術は、分類タスクにおけるアノテーション効率の向上に成功している。
しかし、insタスクにおける無関係なサンプルの多様性とクラス不均衡を考慮すると、既存のal法は、常にins問題の最も適切なフィードバック候補を選択することはできない。
さらに、対話型INSシナリオに適用するには計算が複雑すぎることが多い。
以上の課題に対処するために,最も価値の高いフィードバック候補を効率よく選択し,再ランク付け性能を向上させることのできる信頼性対応アクティブフィードバック(CAAF)手法を提案する。
具体的には、自己ペース学習における明示的なサンプル難易度モデルに着想を得て、各ラベル付きサンプルのランク付け信頼度を評価するためにペアワイズ多様体ランキングロスを用い、信頼度重み付き多様体ランキング問題としてinsプロセスを定式化する。
さらに,条件付きQP問題からクローズドフォーム式への制約を緩和する近似最適化手法を導入し,INSの初期ランキングリストにあるトップKサンプルのみを選択し,CAAFが短時間で大規模INSタスクを処理できるようにする。
画像およびビデオのinsタスクに関する広範囲な実験により,提案手法の有効性が示された。
特にCAAFは、TRECVID 2021の大規模ビデオINS評価において、第1位を記録した。
関連論文リスト
- Debiasing Large Visual Language Models [61.6896704217147]
LVLM(Large Vision-Language Models)は、コンピュータビジョンや自然言語処理において欠かせないツールとなっている。
本研究は,入力画像に先行するLarge Language Models (LLM) の影響を主に受け,生成したコンテンツに有意なバイアスが生じることを示す。
これらのバイアスを是正し、視覚情報に対するモデルの焦点をリダイレクトするために、我々は2つの単純で訓練のない戦略を導入する。
論文 参考訳(メタデータ) (2024-03-08T12:35:07Z) - PREFER: Prompt Ensemble Learning via Feedback-Reflect-Refine [24.888093229577965]
提案する制約に対処するため,Prefer という,シンプルで普遍的で自動的な手法を提案する。
我々のPreferは、複数のタスクにおける最先端のパフォーマンスを、大きなマージンで達成する。
論文 参考訳(メタデータ) (2023-08-23T09:46:37Z) - Zeroth-Order Optimization Meets Human Feedback: Provable Learning via
Ranking Oracles [19.012013880029244]
ブラックボックスの客観的関数は、ランクのオラクルを通してのみ測定できる。
ゼロ階最適化アルゴリズムZO-RankSGDを導入する。
また,ZO-RankSGDは,数ラウンドのフィードバックだけで生成した画像のディテールを大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-03-07T09:20:43Z) - Understanding and Mitigating Overfitting in Prompt Tuning for
Vision-Language Models [108.13378788663196]
本稿では, トレーニング過程全体において, 低ランク部分空間にバックプロパゲーションの勾配を投影するSubspace Prompt Tuning(SubPT)を提案する。
我々はCoOpにノベル・ラーナー・フィーチャー(NFL)を装備し、学習したプロンプトをトレーニングセット以外の新しいカテゴリに一般化する能力を高める。
論文 参考訳(メタデータ) (2022-11-04T02:06:22Z) - Planning for Sample Efficient Imitation Learning [52.44953015011569]
現在の模倣アルゴリズムは、高い性能と高環境サンプル効率を同時に達成するのに苦労している。
本研究では,環境内サンプルの効率と性能を同時に達成できる計画型模倣学習手法であるEfficientImitateを提案する。
実験結果から,EIは性能と試料効率の両立を図った。
論文 参考訳(メタデータ) (2022-10-18T05:19:26Z) - ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。
まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。
最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
論文 参考訳(メタデータ) (2022-07-14T17:46:37Z) - Optimizing Two-way Partial AUC with an End-to-end Framework [154.47590401735323]
ROC曲線のエリア(AUC)は、機械学習にとって重要な指標である。
最近の研究は、TPAUCが既存のPartial AUCメトリクスと本質的に矛盾していることを示している。
本論文では,この新指標を最適化するための最初の試行について述べる。
論文 参考訳(メタデータ) (2022-06-23T12:21:30Z) - Feature Diversity Learning with Sample Dropout for Unsupervised Domain
Adaptive Person Re-identification [0.0]
本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。
我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。
実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
論文 参考訳(メタデータ) (2022-01-25T10:10:48Z) - Effective Evaluation of Deep Active Learning on Image Classification
Tasks [10.27095298129151]
画像分類の文脈において,最先端の能動学習アルゴリズムを統一的に実装する。
正の面では、AL手法はデータ拡張によるRSに比べてラベル効率が2倍から4倍高いことを示す。
論文 参考訳(メタデータ) (2021-06-16T23:29:39Z) - Global Optimization of Objective Functions Represented by ReLU Networks [77.55969359556032]
ニューラルネットワークは複雑で非敵対的な関数を学ぶことができ、安全クリティカルな文脈でそれらの正しい振る舞いを保証することは困難である。
ネットワーク内の障害を見つけるための多くのアプローチ(例えば、敵の例)があるが、これらは障害の欠如を保証できない。
本稿では,最適化プロセスを検証手順に統合し,本手法よりも優れた性能を実現する手法を提案する。
論文 参考訳(メタデータ) (2020-10-07T08:19:48Z)
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。