Fugu-MT 論文翻訳(概要): Learning with Label Noise for Image Retrieval by Selecting Interactions

論文の概要: Learning with Label Noise for Image Retrieval by Selecting Interactions

arxiv url: http://arxiv.org/abs/2112.10453v1
Date: Mon, 20 Dec 2021 11:27:48 GMT
ステータス: 処理完了
システム内更新日: 2021-12-21 17:27:15.627048
Title: Learning with Label Noise for Image Retrieval by Selecting Interactions
Title（参考訳）: 対話選択による画像検索のためのラベルノイズ学習
Authors: Sarah Ibrahimi and Arnaud Sors and Rafael Sampaio de Rezende and St\'ephane Clinchant
Abstract要約: 本稿では,教師によるインタラクションの選択(T-SINT)という画像検索のためのノイズ耐性手法を提案する。教師ベースのトレーニング設定を用いて、検索損失において考慮すべき正と負の正の相互作用を選択する。合成ノイズとより現実的なノイズを持つベンチマークデータセットにおいて、高いノイズ率に関する最先端の手法を一貫して上回る。
参考スコア（独自算出の注目度）: 2.0881411175861726
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning with noisy labels is an active research area for image classification. However, the effect of noisy labels on image retrieval has been less studied. In this work, we propose a noise-resistant method for image retrieval named Teacher-based Selection of Interactions, T-SINT, which identifies noisy interactions, ie. elements in the distance matrix, and selects correct positive and negative interactions to be considered in the retrieval loss by using a teacher-based training setup which contributes to the stability. As a result, it consistently outperforms state-of-the-art methods on high noise rates across benchmark datasets with synthetic noise and more realistic noise.
Abstract（参考訳）: ノイズラベルを用いた学習は、画像分類の活発な研究領域である。しかし,ノイズラベルが画像検索に与える影響についてはあまり研究されていない。本研究では,教師によるインタラクションの選択(T-SINT)という,ノイズの多いインタラクションを識別する画像検索手法を提案する。距離行列の要素を抽出し、その安定性に寄与する教師ベースのトレーニング設定を用いて、検索損失において考慮すべき正と負の相互作用を選択する。その結果、合成ノイズやより現実的なノイズを含むベンチマークデータセット全体の高いノイズレートにおいて、最先端の手法を一貫して上回っている。

関連論文リスト

Training Gradient Boosted Decision Trees on Tabular Data Containing Label Noise for Classification Tasks [1.261491746208123]
本研究の目的は,ラベルノイズが勾配ブースト決定木に及ぼす影響とそれらの効果を緩和する方法を検討することである。提案手法は,成人のデータセットに対して最先端のノイズ検出性能を示し,成人および乳癌のデータセットに対して最も高い分類精度とリコールを実現する。
論文参考訳（メタデータ） (2024-09-13T09:09:24Z)
Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文参考訳（メタデータ） (2022-07-19T14:35:42Z)
Embedding contrastive unsupervised features to cluster in- and out-of-distribution noise in corrupted image datasets [18.19216557948184]
Web画像検索に検索エンジンを使用することは、イメージデータセットを作成する際の手作業によるキュレーションに代わる誘惑的な手段である。主な欠点は、回収された間違った(ノイズの多い)サンプルの割合である。本稿では,教師なしのコントラスト特徴学習を用いた検出ステップから始める2段階のアルゴリズムを提案する。比較学習のアライメントと均一性原理により,OODサンプルは単位超球面上のIDサンプルから線形に分離できることがわかった。
論文参考訳（メタデータ） (2022-07-04T16:51:56Z)
Joint Class-Affinity Loss Correction for Robust Medical Image Segmentation with Noisy Labels [22.721870430220598]
ノイズラベルは医用画像分割アルゴリズムが正確な意味的相関を学習するのを防いでいる画素ワイズとペアワイズの両方を取り入れたノイズ緩和のための新しい視点を提案する。医用画像のセグメンテーションにおけるラベルノイズ問題に対処する頑健なジョイントクラスアフィニティ(JCAS)フレームワークを提案する。
論文参考訳（メタデータ） (2022-06-16T08:19:33Z)
Deep Image Retrieval is not Robust to Label Noise [0.0]
画像分類法は,画像分類法よりもラベルノイズに対する頑健さが低いことを示す。画像検索タスクに特有なラベルノイズの種類を初めて検討した。
論文参考訳（メタデータ） (2022-05-23T11:04:09Z)
Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文参考訳（メタデータ） (2022-03-29T13:07:53Z)
Distilling effective supervision for robust medical image segmentation with noisy labels [21.68138582276142]
本稿では,画素レベルと画像レベルの両方から効果的な監視情報を抽出することにより,ノイズラベルによるセグメント化に対処する新しい枠組みを提案する。特に,各画素の不確かさを画素単位の雑音推定として明確に推定する。画素レベルの学習を補完する画像レベルの頑健な学習手法を提案する。
論文参考訳（メタデータ） (2021-06-21T13:33:38Z)
Learning with Group Noise [106.56780716961732]
グループノイズを用いた学習のための新しいマックスマッチング手法を提案する。いくつかの学習パラダイムの領域における実世界のデータセットのレンジのパフォーマンスは、Max-Matchingの有効性を示している。
論文参考訳（メタデータ） (2021-03-17T06:57:10Z)
Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
医用画像における2種類のラベルノイズについて論じ,定義する。医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
論文参考訳（メタデータ） (2021-02-28T14:56:45Z)
Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
論文参考訳（メタデータ） (2020-09-30T15:45:36Z)
Towards Noise-resistant Object Detection with Noisy Annotations [119.63458519946691]
ディープオブジェクト検出器の訓練には、正確なオブジェクトラベルとバウンディングボックス座標を持つ、相当量の人間の注釈画像が必要である。ノイズの多いアノテーションはずっと簡単にアクセスできますが、学習には有害かもしれません。ノイズにはラベルノイズとバウンディングボックスノイズが混在している。
論文参考訳（メタデータ） (2020-03-03T01:32:16Z)

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。