論文の概要: Label Hierarchy Transition: Modeling Class Hierarchies to Enhance Deep Classifiers

• arxiv url: http://arxiv.org/abs/2112.02353v1
• Date: Sat, 4 Dec 2021 14:58:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 15:01:48.717605
• Title: Label Hierarchy Transition: Modeling Class Hierarchies to Enhance Deep Classifiers
• Title（参考訳）: Label Hierarchy transition: クラス階層のモデル化と深層分類器の強化
• Authors: Renzhen Wang, De cai, Kaiwen Xiao, Xixi Jia, Xiao Han, Deyu Meng
• Abstract要約: 本稿では,階層型分類に対処する深層学習に基づく統一確率的フレームワークを提案する。 具体的には、列ベクトルが隣接する2つの階層間のクラスの条件付きラベルを表すラベル階層遷移行列を学習する。 本稿では,学習中のラベル階層間の相関関係の学習を促す混乱損失を提案する。
• 参考スコア（独自算出の注目度）: 35.34705077969077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical classification aims to sort the object into a hierarchy of categories. For example, a bird can be categorized according to a three-level hierarchy of order, family, and species. Existing methods commonly address hierarchical classification by decoupling it into several multi-class classification tasks. However, such a multi-task learning strategy fails to fully exploit the correlation among various categories across different hierarchies. In this paper, we propose Label Hierarchy Transition, a unified probabilistic framework based on deep learning, to address hierarchical classification. Specifically, we explicitly learn the label hierarchy transition matrices, whose column vectors represent the conditional label distributions of classes between two adjacent hierarchies and could be capable of encoding the correlation embedded in class hierarchies. We further propose a confusion loss, which encourages the classification network to learn the correlation across different label hierarchies during training. The proposed framework can be adapted to any existing deep network with only minor modifications. We experiment with three public benchmark datasets with various class hierarchies, and the results demonstrate the superiority of our approach beyond the prior arts. Source code will be made publicly available.
• Abstract（参考訳）: 階層分類は、オブジェクトをカテゴリの階層に分類することを目的としている。 例えば、鳥は秩序、家族、種の3段階の階層によって分類することができる。 既存の手法では、階層分類を複数の階層分類タスクに分割して扱うのが一般的である。 しかし、このようなマルチタスク学習戦略は、階層の異なる様々なカテゴリ間の相関を十分に活用できない。 本稿では,ディープラーニングに基づく統一確率的フレームワークであるラベル階層遷移を提案し,階層的分類に対処する。 具体的には、列ベクトルが隣接する2つの階層間のクラスの条件付きラベル分布を表すラベル階層遷移行列を明示的に学習し、クラス階層に埋め込まれた相関を符号化することができる。 さらに,分類ネットワークが学習中に異なるラベル階層間の相関を学習することを奨励する混乱損失を提案する。 提案するフレームワークは、小さな変更だけで既存のディープネットワークに適応できる。 我々は,様々な階層構造を持つ3つの公開ベンチマークデータセットを用いて実験を行い,先行技術以上のアプローチの優位性を示す。 ソースコードは公開される予定だ。

関連論文リスト

• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• Deep Hierarchical Semantic Segmentation [76.40565872257709]
  階層的セマンティックセマンティックセグメンテーション(HSS)は、クラス階層の観点で視覚的観察を構造化、ピクセル単位で記述することを目的としている。 HSSNは、HSSを画素単位のマルチラベル分類タスクとしてキャストし、現在のセグメンテーションモデルに最小限のアーキテクチャ変更をもたらすだけである。 階層構造によって引き起こされるマージンの制約により、HSSNはピクセル埋め込み空間を再評価し、よく構造化されたピクセル表現を生成する。
  論文  参考訳（メタデータ） (2022-03-27T15:47:44Z)
• Label Relation Graphs Enhanced Hierarchical Residual Network for Hierarchical Multi-Granularity Classification [10.449261628173229]
  本研究では,階層の任意のレベルにオブジェクトをラベル付けするHMC問題について検討する。 子どもの特徴に残差接続を付加する階層的残差ネットワーク(HRN)を提案する。
  論文  参考訳（メタデータ） (2022-01-10T07:17:24Z)
• Inducing a hierarchy for multi-class classification problems [11.58041597483471]
  分類的ラベルが自然な階層に従ったアプリケーションでは、ラベル構造を利用する分類方法は、そうでないものをしばしば上回る。 本稿では,フラット分類器に対する分類性能を向上できる階層構造を誘導する手法のクラスについて検討する。 原理シミュレーションと3つの実データアプリケーションにおいて、潜入階層の発見と精度向上のためのメソッドのクラスの有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-20T05:40:42Z)
• MATCH: Metadata-Aware Text Classification in A Large Hierarchy [60.59183151617578]
  MATCHはメタデータと階層情報の両方を利用するエンドツーエンドのフレームワークである。 親による各子ラベルのパラメータと出力確率を正規化するさまざまな方法を提案します。 大規模なラベル階層を持つ2つの大規模なテキストデータセットの実験は、MATCHの有効性を示しています。
  論文  参考訳（メタデータ） (2021-02-15T05:23:08Z)
• Pitfalls of Assessing Extracted Hierarchies for Multi-Class Classification [4.89253144446913]
  私たちは、実践者がメソッドについて誤解を招くような結論を下すかもしれない、一般的な落とし穴を特定します。 階層の質が実験的な設定によってどう無関係になるかを示す。 その結果,多くのクラスを持つデータセットは,これらのクラスが相互に関係する複雑な構造を持つことが明らかとなった。
  論文  参考訳（メタデータ） (2021-01-26T21:50:57Z)
• Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
  提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。 実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
  論文  参考訳（メタデータ） (2020-09-12T17:36:53Z)
• Joint Embedding of Words and Category Labels for Hierarchical Multi-label Text Classification [4.2750700546937335]
  階層的テキスト分類(HTC)は広く注目されており、幅広い応用の見通しがある。 本稿では,HTC の階層的微調整順序ニューロン LSTM (HFT-ONLSTM) に基づくテキストと親カテゴリの結合埋め込みを提案する。
  論文  参考訳（メタデータ） (2020-04-06T11:06:08Z)

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。