論文の概要: Deep Unsupervised Hashing with Latent Semantic Components

• arxiv url: http://arxiv.org/abs/2203.09420v1
• Date: Thu, 17 Mar 2022 16:18:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-18 18:55:19.365651
• Title: Deep Unsupervised Hashing with Latent Semantic Components
• Title（参考訳）: 潜在セマンティック成分を用いた深部無監督ハッシュ
• Authors: Qinghong Lin, Xiaojun Chen, Qin Zhang, Shaotian Cai, Wenzhe Zhao, Hongfa Wang
• Abstract要約: 本稿では,画像が相同性や共起関係を持つ多くの意味的成分を含むという共通感覚を含む,新しいDeep Semantic Components Hashing(DSCH)を提案する。 DSCHは、イメージをそのセマンティックコンポーネント中心に細粒度と粗粒度の両方に近づけ、画像が互いに類似したセマンティックコンポーネントを共有する。 3つのベンチマークデータセットの実験により、提案された階層的セマンティックコンポーネントは、実際にハッシュモデルが優れたパフォーマンスを達成するのに役立つことを示した。
• 参考スコア（独自算出の注目度）: 8.43682103722761
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep unsupervised hashing has been appreciated in the regime of image retrieval. However, most prior arts failed to detect the semantic components and their relationships behind the images, which makes them lack discriminative power. To make up the defect, we propose a novel Deep Semantic Components Hashing (DSCH), which involves a common sense that an image normally contains a bunch of semantic components with homology and co-occurrence relationships. Based on this prior, DSCH regards the semantic components as latent variables under the Expectation-Maximization framework and designs a two-step iterative algorithm with the objective of maximum likelihood of training data. Firstly, DSCH constructs a semantic component structure by uncovering the fine-grained semantics components of images with a Gaussian Mixture Modal~(GMM), where an image is represented as a mixture of multiple components, and the semantics co-occurrence are exploited. Besides, coarse-grained semantics components, are discovered by considering the homology relationships between fine-grained components, and the hierarchy organization is then constructed. Secondly, DSCH makes the images close to their semantic component centers at both fine-grained and coarse-grained levels, and also makes the images share similar semantic components close to each other. Extensive experiments on three benchmark datasets demonstrate that the proposed hierarchical semantic components indeed facilitate the hashing model to achieve superior performance.
• Abstract（参考訳）: 深い教師なしのハッシュ処理は、画像検索の仕組みにおいて評価されている。 しかし、ほとんどの先行芸術は、画像の背後にある意味的構成要素とそれらの関係を検知できなかったため、識別力に欠けていた。 そこで本研究では,画像に相同性や共起関係を持つ意味成分の束を通常含むという常識を包含する,新しい深層意味成分ハッシュ(dsch)を提案する。 これに基づいて、DSCHは、セマンティックコンポーネントを期待最大化フレームワークの下で潜在変数とみなし、トレーニングデータの最大最大度を目標とした2段階反復アルゴリズムを設計する。 まず、DSCHは、画像のきめ細かいセマンティックス成分をガウス混合モーダル〜(GMM)で発見し、画像が複数のコンポーネントの混合として表現され、セマンティックス共起が利用されるセマンティックコンポーネント構造を構築する。 さらに、細粒度成分間のホモロジー関係を考慮して粗粒度意味論成分を発見し、階層構造を構築する。 第2に、DSCHは、イメージをセマンティックコンポーネントの中心に近い粒度と粗い粒度の両方にし、画像が互いに類似したセマンティックコンポーネントを共有する。 3つのベンチマークデータセットに関する広範囲な実験は、提案された階層的セマンティックコンポーネントが、より優れたパフォーマンスを達成するためにハッシュモデルを促進することを実証している。

関連論文リスト

• GP-NeRF: Generalized Perception NeRF for Context-Aware 3D Scene Understanding [101.32590239809113]
  Generalized Perception NeRF (GP-NeRF) は、広く使われているセグメンテーションモデルとNeRFを統一されたフレームワークで相互に動作させる新しいパイプラインである。 本稿では,セマンティック蒸留損失(Semantic Distill Loss)とDepth-Guided Semantic Distill Loss(Depth-Guided Semantic Distill Loss)という2つの自己蒸留機構を提案する。
  論文  参考訳（メタデータ） (2023-11-20T15:59:41Z)
• Co-Salient Object Detection with Semantic-Level Consensus Extraction and Dispersion [27.120768849942145]
  共塩物検出は、各画像の一般的な塩物を明らかにすることを目的としている。 意味レベルのコンセンサスを抽出する階層型トランスフォーマーモジュールを提案する。 Transformerベースの分散モジュールは、異なるシーンにおける共存オブジェクトの変動を考慮している。
  論文  参考訳（メタデータ） (2023-09-14T14:39:07Z)
• Collaborative Group: Composed Image Retrieval via Consensus Learning from Noisy Annotations [67.92679668612858]
  我々は,集団が個人より優れているという心理的概念に触発されたコンセンサスネットワーク(Css-Net)を提案する。 Css-Netは,(1)コンセンサスモジュールと4つのコンセンサスモジュール,(2)コンセンサス間の相互作用の学習を促進するKulback-Leibler分散損失の2つのコアコンポーネントから構成される。 ベンチマークデータセット、特にFashionIQでは、Css-Netが大幅に改善されている。特に、R@10が2.77%、R@50が6.67%増加し、リコールが大幅に向上している。
  論文  参考訳（メタデータ） (2023-06-03T11:50:44Z)
• Hierarchical Instance Mixing across Domains in Aerial Segmentation [14.738954189759156]
  階層型インスタンス混合(HIMix)と呼ばれるドメイン間の空域分割のための新しい戦略を開発する。 LoveDAベンチマークで広範な実験を行い、私たちのソリューションは現在の最先端よりも優れています。
  論文  参考訳（メタデータ） (2022-10-12T14:02:20Z)
• ACSeg: Adaptive Conceptualization for Unsupervised Semantic Segmentation [17.019848796027485]
  自己教師付き視覚事前学習モデルでは,画素レベルの意味的関係を表現することに大きな期待が持たれている。 本研究では,自己学習モデルにおける画素レベルのセマンティックアグリゲーションを画像エンコードや設計概念として検討する。 本稿では,これらのプロトタイプを各画像に対する情報的概念に適応的にマッピングするアダプティブ・コンセプト・ジェネレータ(ACG)を提案する。
  論文  参考訳（メタデータ） (2022-10-12T06:16:34Z)
• Semantic Image Synthesis via Diffusion Models [159.4285444680301]
  Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。 セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
  論文  参考訳（メタデータ） (2022-06-30T18:31:51Z)
• HCSC: Hierarchical Contrastive Selective Coding [44.655310210531226]
  Hierarchical Contrastive Selective Coding (HCSC)は、新しいコントラスト学習フレームワークである。 画像表現をセマンティック構造に適合させるための精巧なペア選択方式を提案する。 我々は,最先端のコントラスト法よりもHCSCの優れた性能を検証した。
  論文  参考訳（メタデータ） (2022-02-01T15:04:40Z)
• Unsupervised semantic discovery through visual patterns detection [4.129225533930966]
  我々のアルゴリズムは、階層的に視覚カテゴリーを見つけ、以前の手法が失敗するセグメンテーションマスクを生成することができる。 我々のアルゴリズムは2つのフェーズで構成されている。 フィルタリングフェーズは、アキュムレータ空間によって意味的ホットポストを選択し、スーパーピクセルベースでホットスポットの意味特性を伝播するクラスタリングフェーズである。
  論文  参考訳（メタデータ） (2021-02-24T11:13:15Z)
• CoADNet: Collaborative Aggregation-and-Distribution Networks for Co-Salient Object Detection [91.91911418421086]
  Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。 課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。 我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
  論文  参考訳（メタデータ） (2020-11-10T04:28:11Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)
• Gradient-Induced Co-Saliency Detection [81.54194063218216]
  Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。 本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:40:55Z)

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。