論文の概要: An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning

• arxiv url: http://arxiv.org/abs/2111.02139v1
• Date: Wed, 3 Nov 2021 11:13:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 13:15:57.386698
• Title: An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning
• Title（参考訳）: ゼロショット学習のためのエントロピー誘導強化部分畳み込みネットワーク
• Authors: Yun Li, Zhe Liu, Lina Yao, Xianzhi Wang, Julian McAuley, Xiaojun Chang
• Abstract要約: エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。 ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。 グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
• 参考スコア（独自算出の注目度）: 77.72330187258498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-Shot Learning (ZSL) aims to transfer learned knowledge from observed classes to unseen classes via semantic correlations. A promising strategy is to learn a global-local representation that incorporates global information with extra localities (i.e., small parts/regions of inputs). However, existing methods discover localities based on explicit features without digging into the inherent properties and relationships among regions. In this work, we propose a novel Entropy-guided Reinforced Partial Convolutional Network (ERPCNet), which extracts and aggregates localities progressively based on semantic relevance and visual correlations without human-annotated regions. ERPCNet uses reinforced partial convolution and entropy guidance; it not only discovers global-cooperative localities dynamically but also converges faster for policy gradient optimization. We conduct extensive experiments to demonstrate ERPCNet's performance through comparisons with state-of-the-art methods under ZSL and Generalized Zero-Shot Learning (GZSL) settings on four benchmark datasets. We also show ERPCNet is time efficient and explainable through visualization analysis.
• Abstract（参考訳）: Zero-Shot Learning (ZSL) は、観察されたクラスから意味的相関を通じて未知のクラスに学習知識を伝達することを目的としている。 有望な戦略は、グローバル情報を余分なローカル(入力の小さな部分/領域)に組み込むグローバルローカル表現を学ぶことである。 しかし,既存の手法では,地域間の特質や関係を掘り下げることなく,明示的な特徴に基づく局所性を見出すことができた。 本研究では,意味的関連性や視覚的相関性に基づいて局所性を段階的に抽出・集約する,エントロピー誘導型部分畳み込みネットワーク(ERPCNet)を提案する。 ERPCNetは、強化された部分的畳み込みとエントロピー誘導を使用する。 我々は、ZSLの最先端手法と4つのベンチマークデータセット上の一般化ゼロショット学習(GZSL)設定を比較して、ERPCNetの性能を示すための広範な実験を行った。 また、可視化分析により、ERPCNetは時間効率が高く、説明が可能であることも示しています。

関連論文リスト

• Improved Generalization Bounds for Communication Efficient Federated Learning [4.3707341422218215]
  本稿では,一般化境界の探索と表現学習によるフェデレーション学習の通信コストの低減に焦点をあてる。 我々は、一般化境界と表現学習分析に基づいて、適応的局所ステップ付きフェデレートラーニング(FedALS)アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-04-17T21:17:48Z)
• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Locally Supervised Learning with Periodic Global Guidance [19.41730292017383]
  ニューラルネットワークの局所的ロスに基づくトレーニングにおいて,グローバルな目的を反復的に再現するために,周期的ガイド付き局所学習(PGL)を提案する。 本稿では,メモリフットプリントが低い場合に,簡単な周期的ガイダンス方式によって大幅な性能向上が期待できることを示す。
  論文  参考訳（メタデータ） (2022-08-01T13:06:26Z)
• PRA-Net: Point Relation-Aware Network for 3D Point Cloud Analysis [56.91758845045371]
  我々はポイント関係認識ネットワーク(PRA-Net)という新しいフレームワークを提案する。 領域内構造学習(ISL)モジュールと領域間関係学習(IRL)モジュールで構成されている。 形状分類,キーポイント推定,部分セグメンテーションを含む複数の3次元ベンチマーク実験により,PRA-Netの有効性と性能が検証された。
  論文  参考訳（メタデータ） (2021-12-09T13:24:43Z)
• Rethink, Revisit, Revise: A Spiral Reinforced Self-Revised Network for Zero-Shot Learning [35.75113836637253]
  本稿では,属性群の列に基づいて視覚表現を再考するスパイラル学習の形式を提案する。 スパイラル学習は、一般化された局所的相関を学習することを目的としており、モデルが徐々にグローバルな学習を強化することができる。 我々のフレームワークは、ゼロショットと一般化されたゼロショット設定の両方において、4つのベンチマークデータセット上で最先端のアルゴリズムより優れています。
  論文  参考訳（メタデータ） (2021-12-01T10:51:57Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• An Integrated Attribute Guided Dense Attention Model for Fine-Grained Generalized Zero-Shot Learning [7.22073260315824]
  組み込み学習(EL)と機能合成(FS)は、細かい粒度のGZSLメソッドの一般的なカテゴリの2つです。 ELとFSの両カテゴリのグローバルおよび直接属性管理された局所視覚機能について検討する。 提案手法がベンチマークデータセットの現代手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-12-31T21:38:46Z)
• Global Context-Aware Progressive Aggregation Network for Salient Object Detection [117.943116761278]
  我々は,低レベルな外観特徴,高レベルな意味特徴,グローバルな文脈特徴を統合化するための新しいネットワークGCPANetを提案する。 提案手法は, 定量的かつ定性的に, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-02T04:26:10Z)

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。