論文の概要: Label Relation Graphs Enhanced Hierarchical Residual Network for
Hierarchical Multi-Granularity Classification
- arxiv url: http://arxiv.org/abs/2201.03194v1
- Date: Mon, 10 Jan 2022 07:17:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-11 22:13:50.450494
- Title: Label Relation Graphs Enhanced Hierarchical Residual Network for
Hierarchical Multi-Granularity Classification
- Title（参考訳）: 階層的多粒度分類のための階層的残差ネットワーク強化ラベル関係グラフ
- Authors: Jingzhou Chen, Peng Wang, Jian Liu, Yuntao Qian
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.449261628173229
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hierarchical multi-granularity classification (HMC) assigns hierarchical
multi-granularity labels to each object and focuses on encoding the label
hierarchy, e.g., ["Albatross", "Laysan Albatross"] from coarse-to-fine levels.
However, the definition of what is fine-grained is subjective, and the image
quality may affect the identification. Thus, samples could be observed at any
level of the hierarchy, e.g., ["Albatross"] or ["Albatross", "Laysan
Albatross"], and examples discerned at coarse categories are often neglected in
the conventional setting of HMC. In this paper, we study the HMC problem in
which objects are labeled at any level of the hierarchy. The essential designs
of the proposed method are derived from two motivations: (1) learning with
objects labeled at various levels should transfer hierarchical knowledge
between levels; (2) lower-level classes should inherit attributes related to
upper-level superclasses. The proposed combinatorial loss maximizes the
marginal probability of the observed ground truth label by aggregating
information from related labels defined in the tree hierarchy. If the observed
label is at the leaf level, the combinatorial loss further imposes the
multi-class cross-entropy loss to increase the weight of fine-grained
classification loss. Considering the hierarchical feature interaction, we
propose a hierarchical residual network (HRN), in which granularity-specific
features from parent levels acting as residual connections are added to
features of children levels. Experiments on three commonly used datasets
demonstrate the effectiveness of our approach compared to the state-of-the-art
HMC approaches and fine-grained visual classification (FGVC) methods exploiting
the label hierarchy.
- Abstract（参考訳）: 階層的多粒度分類(HMC)は、各オブジェクトに階層的多粒度ラベルを割り当て、["Albatross", "Laysan Albatross"]のようなラベル階層を粗いレベルから細かいレベルまで符号化することに焦点を当てる。
しかしながら、細粒度の定義は主観的であり、画像品質が識別に影響する可能性がある。
したがって、サンプルは階層の任意のレベル、例えば ["Albatross"] や ["Albatross", "Laysan Albatross"] で観察することができ、粗いカテゴリで識別される例は、従来のHMCの設定では無視されることが多い。
本稿では,オブジェクトを階層の任意のレベルにラベル付けするHMC問題について検討する。
提案手法の基本設計は,(1) 様々なレベルにラベル付けされた物体の学習は階層的な知識をレベル間で伝達し,(2) 下位クラスは上位レベルのスーパークラスに関連する属性を継承する,という2つの動機から導かれる。
提案する組合せ損失は、ツリー階層で定義された関連ラベルから情報を集約することにより、観測された基底真理ラベルの限界確率を最大化する。
観測されたラベルが葉のレベルであれば、組合せ損失はさらに多種クロスエントロピー損失を課し、細粒度の分類損失の重みを増加させる。
本研究では,階層的特徴の相互作用を考慮した階層的残差ネットワーク(hrn)を提案する。
3つの一般的なデータセットを用いた実験は、最新のHMCアプローチや、ラベル階層を利用したきめ細かな視覚分類(FGVC)手法と比較して、我々のアプローチの有効性を実証している。
関連論文リスト
- Harnessing Superclasses for Learning from Hierarchical Databases [1.835004446596942]
多くの大規模分類問題において、クラスは既知の階層に整理され、通常木として表される。
この種の教師付き階層分類の損失について紹介する。
提案手法では,クロスエントロピーの損失に比較して,計算コストの大幅な増大は伴わない。
論文 参考訳（メタデータ） (2024-11-25T14:39:52Z) - LayerMatch: Do Pseudo-labels Benefit All Layers? [77.59625180366115]
半教師付き学習はラベル付きデータの依存性を軽減するための有望なソリューションを提供する。
我々はGrad-ReLUとAvg-Clusteringという2つの層固有の擬似ラベル戦略を開発した。
提案手法は,標準的な半教師付き学習ベンチマークにおいて,例外的な性能を示す。
論文 参考訳（メタデータ） (2024-06-20T11:25:50Z) - Semantic Guided Level-Category Hybrid Prediction Network for
Hierarchical Image Classification [8.456482280676884]
階層分類(HC)は、各オブジェクトに階層構造にまとめられた複数のラベルを割り当てる。
本稿では,そのレベルとカテゴリの予測をエンドツーエンドで共同で行うことのできる,セマンティックガイド付き階層型ハイブリッド予測ネットワーク(SGLCHPN)を提案する。
論文 参考訳（メタデータ） (2022-11-22T13:49:10Z) - 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) - The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。
我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。
我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
論文 参考訳（メタデータ） (2022-03-10T23:35:00Z) - Label Hierarchy Transition: Delving into Class Hierarchies to Enhance
Deep Classifiers [40.993137740456014]
本稿では,階層型分類の課題に対処するために,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を提案する。
提案するフレームワークは、わずかに修正するだけで、既存のディープネットワークに容易に適応できる。
提案するLHTフレームワークを皮膚病変診断タスクに拡張し,コンピュータ支援診断におけるその大きな可能性を検証した。
論文 参考訳（メタデータ） (2021-12-04T14:58:36Z) - Joint Learning of Hyperbolic Label Embeddings for Hierarchical
Multi-label Classification [9.996804039553858]
ラベルが階層内に存在するマルチラベル分類の問題を検討する。
共同学習のための新しい定式化を提案し,その効果を実証的に評価する。
論文 参考訳（メタデータ） (2021-01-13T10:58:54Z) - Coherent Hierarchical Multi-Label Classification Networks [56.41950277906307]
C-HMCNN(h)はHMC問題に対する新しいアプローチであり、階層情報を利用して制約に整合した予測を生成し、性能を向上させる。
最先端モデルと比較してC-HMCNN(h)の優れた性能を示す広範囲な実験的検討を行った。
論文 参考訳（メタデータ） (2020-10-20T09:37:02Z) - 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。