論文の概要: Semantic Feature Extraction for Generalized Zero-shot Learning

• arxiv url: http://arxiv.org/abs/2112.14478v1
• Date: Wed, 29 Dec 2021 09:52:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-30 15:48:45.595093
• Title: Semantic Feature Extraction for Generalized Zero-shot Learning
• Title（参考訳）: 一般化ゼロショット学習のための意味的特徴抽出
• Authors: Junhan Kim, Kyuhong Shim, and Byonghyo Shim
• Abstract要約: 一般化ゼロショット学習(英: Generalized zero-shot learning, GZSL)は、学習モデルに属性を使って未知のクラスを特定する手法である。 本稿では,GZSL分類性能を大幅に向上させる新しいGZSL手法を提案する。
• 参考スコア（独自算出の注目度）: 23.53412767106488
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generalized zero-shot learning (GZSL) is a technique to train a deep learning model to identify unseen classes using the attribute. In this paper, we put forth a new GZSL technique that improves the GZSL classification performance greatly. Key idea of the proposed approach, henceforth referred to as semantic feature extraction-based GZSL (SE-GZSL), is to use the semantic feature containing only attribute-related information in learning the relationship between the image and the attribute. In doing so, we can remove the interference, if any, caused by the attribute-irrelevant information contained in the image feature. To train a network extracting the semantic feature, we present two novel loss functions, 1) mutual information-based loss to capture all the attribute-related information in the image feature and 2) similarity-based loss to remove unwanted attribute-irrelevant information. From extensive experiments using various datasets, we show that the proposed SE-GZSL technique outperforms conventional GZSL approaches by a large margin.
• Abstract（参考訳）: 一般化ゼロショット学習(gzsl)は、属性を使って未知のクラスを識別するためにディープラーニングモデルをトレーニングするテクニックである。 本稿では,GZSL分類性能を大幅に向上させる新しいGZSL手法を提案する。 提案手法の主な考え方は,意味特徴抽出に基づくGZSL (SE-GZSL) と呼ばれ,属性関連情報のみを含む意味特徴を用いて画像と属性の関係を学習することである。 そうすることで、画像機能に含まれる属性の無関係な情報によって引き起こされる干渉を取り除くことができる。 意味的特徴を抽出するネットワークを訓練するために,2つの新しい損失関数を提案する。 1)画像の特徴のすべての属性関連情報を捕捉する相互情報に基づく損失 2) 類似性に基づく不必要な属性関連情報を除去する損失。 各種データセットを用いた広範囲な実験から,提案手法が従来のGZSL手法よりも大きなマージンで優れていることを示す。

関連論文リスト

• Attribute-Aware Representation Rectification for Generalized Zero-Shot Learning [19.65026043141699]
  一般化ゼロショット学習(GZSL)は、一連の非バイアスの視覚-セマンティックマッピングを設計することによって、顕著な性能を得た。 本稿では,GZSLに対して,$mathbf(AR)2$という簡易かつ効果的な属性認識表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-23T11:30:32Z)
• Zero-Shot Learning by Harnessing Adversarial Samples [52.09717785644816]
  本稿では,HAS(Harnessing Adversarial Samples)によるZSL(Zero-Shot Learning)アプローチを提案する。 HASは3つの重要な側面を考慮に入れた敵の訓練を通じてZSLを前進させる。 本稿では,ZSLと一般化ゼロショット学習(GZSL)の両シナリオにおいて,敵対的サンプルアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-01T06:19:13Z)
• Exploiting Semantic Attributes for Transductive Zero-Shot Learning [97.61371730534258]
  ゼロショット学習は、視覚的特徴と、そのクラスから学んだ意味的属性の関係を一般化することにより、目に見えないクラスを認識することを目的としている。 本稿では,未知データの意味的属性を生成し,生成過程に付加する新しいZSL法を提案する。 5つの標準ベンチマーク実験により,本手法がゼロショット学習の最先端結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-03-17T09:09:48Z)
• Vision Transformer-based Feature Extraction for Generalized Zero-Shot Learning [24.589101099475947]
  一般化ゼロショット学習(英: Generalized zero-shot learning, GZSL)は、画像属性を用いて、見えないクラスを特定するためのディープラーニングモデルを訓練する技法である。 本稿では,画像特徴に含まれる属性関連情報を最大化するために,視覚変換器(ViT)を利用した新しいGZSL手法を提案する。
  論文  参考訳（メタデータ） (2023-02-02T04:52:08Z)
• On the Transferability of Visual Features in Generalized Zero-Shot Learning [28.120004119724577]
  Generalized Zero-Shot Learning (GZSL) は、目に見えないクラスに一般化可能な分類器を訓練することを目的としている。 本研究では,異なる特徴抽出器を用いた場合のGZSL法の有用性について検討する。 また、これらのモデルの事前学習目標、データセット、アーキテクチャ設計が特徴表現能力にどのように影響するかについても検討する。
  論文  参考訳（メタデータ） (2022-11-22T18:59:09Z)
• TransZero++: Cross Attribute-Guided Transformer for Zero-Shot Learning [119.43299939907685]
  ゼロショット学習(ZSL)は、目に見えるクラスから目に見えないクラスに意味的知識を移すことによって、新しいクラス認識問題に取り組む。 既存の注意に基づくモデルは、一方向の注意のみを用いることで、単一の画像で劣る領域の特徴を学習するのに苦労している。 視覚的特徴を洗練し,属性の正確なローカライゼーションを学習するために,TransZero++と呼ばれるクロス属性誘導型トランスフォーマーネットワークを提案する。
  論文  参考訳（メタデータ） (2021-12-16T05:49:51Z)
• FREE: Feature Refinement for Generalized Zero-Shot Learning [86.41074134041394]
  汎用ゼロショット学習(GZSL)は、視覚-意味的領域ギャップと目に見えないバイアスの問題を克服するために多くの努力を払って、大きな進歩を遂げた。 既存のほとんどのメソッドはImageNetでトレーニングされた機能抽出モデルを直接使用しており、ImageNetとGZSLベンチマークのデータセット間のバイアスを無視している。 本稿では,この問題に対処するために,汎用ゼロショット学習(FREE)のための特徴改善という,シンプルで効果的なGZSL法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T08:11:01Z)
• Semantic Disentangling Generalized Zero-Shot Learning [50.259058462272435]
  Generalized Zero-Shot Learning (GZSL)は、目に見えないカテゴリと見えないカテゴリの両方から画像を認識することを目的としている。 本稿では,エンコーダ・デコーダアーキテクチャに基づく新しい特徴分割手法を提案する。 提案モデルは,視像の固有特徴をキャプチャする品質意味一貫性表現を蒸留することを目的としている。
  論文  参考訳（メタデータ） (2021-01-20T05:46:21Z)
• Information Bottleneck Constrained Latent Bidirectional Embedding for Zero-Shot Learning [59.58381904522967]
  本稿では,密な視覚-意味的結合制約を持つ埋め込み型生成モデルを提案する。 視覚空間と意味空間の両方の埋め込みパラメトリック分布を校正する統合潜在空間を学習する。 本手法は, 画像のラベルを生成することにより, トランスダクティブZSL設定に容易に拡張できる。
  論文  参考訳（メタデータ） (2020-09-16T03:54:12Z)

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。