論文の概要: Towards Unbiased Multi-label Zero-Shot Learning with Pyramid and Semantic Attention

• arxiv url: http://arxiv.org/abs/2203.03483v1
• Date: Mon, 7 Mar 2022 15:52:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 17:13:29.322815
• Title: Towards Unbiased Multi-label Zero-Shot Learning with Pyramid and Semantic Attention
• Title（参考訳）: ピラミッドと意味的注意による非バイアスマルチラベルゼロショット学習に向けて
• Authors: Ziming Liu, Song Guo, Jingcai Guo, Yuanyuan Xu, Fushuo Huo
• Abstract要約: マルチラベルゼロショット学習は、各入力サンプルに対して、複数の未確認クラスのラベルを認識することを目的としている。 本稿では,多様なクラス固有の領域を考慮し,非バイアス付きマルチラベルゼロショット学習の枠組みを提案する。
• 参考スコア（独自算出の注目度）: 14.855116554722489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-label zero-shot learning extends conventional single-label zero-shot learning to a more realistic scenario that aims at recognizing multiple unseen labels of classes for each input sample. Existing works usually exploit attention mechanism to generate the correlation among different labels. However, most of them are usually biased on several major classes while neglect most of the minor classes with the same importance in input samples, and may thus result in overly diffused attention maps that cannot sufficiently cover minor classes. We argue that disregarding the connection between major and minor classes, i.e., correspond to the global and local information, respectively, is the cause of the problem. In this paper, we propose a novel framework of unbiased multi-label zero-shot learning, by considering various class-specific regions to calibrate the training process of the classifier. Specifically, Pyramid Feature Attention (PFA) is proposed to build the correlation between global and local information of samples to balance the presence of each class. Meanwhile, for the generated semantic representations of input samples, we propose Semantic Attention (SA) to strengthen the element-wise correlation among these vectors, which can encourage the coordinated representation of them. Extensive experiments on the large-scale multi-label zero-shot benchmarks NUS-WIDE and Open-Image demonstrate that the proposed method surpasses other representative methods by significant margins.
• Abstract（参考訳）: マルチラベルゼロショット学習(multi-label zero-shot learning)は、従来のシングルラベルゼロショット学習をより現実的なシナリオに拡張する。 既存の作品は通常、注意機構を利用して異なるラベル間の相関を生成する。 しかしながら、ほとんどのクラスはいくつかの主要なクラスに偏っているが、入力サンプルで同じ重要性を持つマイナークラスの大部分を無視しているため、マイナークラスを十分にカバーできない過度に拡散した注意マップをもたらす可能性がある。 我々は、主要なクラスとマイナークラスの関係を無視して、それぞれがグローバル情報とローカル情報に対応していることが問題の原因であると主張している。 本稿では,分類器の学習過程を校正するために,様々なクラス固有の領域を考慮し,非バイアスなマルチラベルゼロショット学習の枠組みを提案する。 具体的には、各クラスの存在のバランスをとるために、サンプルのグローバル情報とローカル情報との相関関係を構築するために、ピラミッド特徴注意(PFA)を提案する。 一方,入力サンプルから生成された意味表現に対して,これらのベクトル間の要素間相関を強化するための意味的注意(sa)を提案し,それらの協調表現を促進する。 NUS-WIDE と Open-Image による大規模マルチラベルゼロショットベンチマークの大規模な実験により,提案手法が他の代表的な手法をはるかに上回ることを示した。

関連論文リスト

• Beyond the Known: Novel Class Discovery for Open-world Graph Learning [16.30962452905747]
  我々は,グラフ上の新しいクラス発見に取り組むために,オープンワールドのgRAph neuraLネットワーク(ORAL)を提案する。 ORALは、半教師付きプロトタイプ学習により、クラス間の相関を初めて検出する。 ラベル欠陥を緩和するためのマルチスケールグラフ機能を完全に探索するため、ORALは擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2024-03-29T01:25:05Z)
• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  クライアント間の局所的なラベル分布の相違を特徴とするラベルスキューは、連合学習において大きな課題となる。 本稿では, ラベルスキュード・フェデレート学習における新しい手法であるFedVLSについて紹介する。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
  マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。 本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:01:03Z)
• Self-Training: A Survey [5.772546394254112]
  半教師付きアルゴリズムは、ラベル付き観測の小さなセットとラベルなし観測の大きなセットから予測関数を学習することを目的としている。 近年,自己学習手法が注目されていることは確かである。 本稿では,バイナリクラスとマルチクラス分類のための自己学習手法と,その変種と関連する2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2022-02-24T11:40:44Z)
• Discriminative Region-based Multi-Label Zero-Shot Learning [145.0952336375342]
  マルチラベルゼロショット学習(Multi-label zero-shot Learning、ZSL)は、標準のシングルラベルZSLのより現実的な対位法である。 本稿では,地域別識別可能性保存型ZSLに対する代替アプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-20T17:56:47Z)
• Generative Multi-Label Zero-Shot Learning [136.17594611722285]
  マルチラベルゼロショット学習は、トレーニング中にデータが入手できない複数の見えないカテゴリにイメージを分類する試みである。 我々の研究は、(一般化された)ゼロショット設定におけるマルチラベル機能の問題に最初に取り組みました。 私たちのクロスレベル核融合に基づく生成アプローチは、3つのデータセットすべてにおいて最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-01-27T18:56:46Z)
• CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
  各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。 提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
  論文  参考訳（メタデータ） (2021-01-18T12:46:24Z)
• Towards Cross-Granularity Few-Shot Learning: Coarse-to-Fine Pseudo-Labeling with Visual-Semantic Meta-Embedding [13.063136901934865]
  少ないショットラーニングは、テスト時に少数のサンプルしか持たない、新しいカテゴリに迅速に適応することを目的としている。 本稿では,より困難なシナリオ,すなわちクロスグラニュラリティ・グラニュラリティ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラ 画像埋め込みの類似性に応じて,各粗いクラスを擬似微細クラスにグリーディクラスタリングすることで,詳細なデータ分布を近似する。
  論文  参考訳（メタデータ） (2020-07-11T03:44:21Z)
• Federated Learning with Only Positive Labels [71.63836379169315]
  FedAwS(Federated Averaging with Spreadout)という,正のラベルのみを用いたトレーニングのための汎用フレームワークを提案する。 理論的にも経験的にも、FedAwSは、ユーザが負のラベルにアクセス可能な従来の学習のパフォーマンスとほぼ一致していることを示す。
  論文  参考訳（メタデータ） (2020-04-21T23:35:02Z)

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。