論文の概要: Attributable Visual Similarity Learning

• arxiv url: http://arxiv.org/abs/2203.14932v1
• Date: Mon, 28 Mar 2022 17:35:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 13:34:12.524176
• Title: Attributable Visual Similarity Learning
• Title（参考訳）: 帰属型視覚類似学習
• Authors: Borui Zhang, Wenzhao Zheng, Jie Zhou, Jiwen Lu
• Abstract要約: 本稿では、画像間のより正確で説明可能な類似度測定のための帰属的視覚類似度学習(AVSL)フレームワークを提案する。 人間の意味的類似性認知に動機づけられた2つの画像とグラフとの類似性を表現するために,一般化された類似性学習パラダイムを提案する。 CUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、既存の深い類似性学習方法よりも大幅に改善されたことを示している。
• 参考スコア（独自算出の注目度）: 90.69718495533144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes an attributable visual similarity learning (AVSL) framework for a more accurate and explainable similarity measure between images. Most existing similarity learning methods exacerbate the unexplainability by mapping each sample to a single point in the embedding space with a distance metric (e.g., Mahalanobis distance, Euclidean distance). Motivated by the human semantic similarity cognition, we propose a generalized similarity learning paradigm to represent the similarity between two images with a graph and then infer the overall similarity accordingly. Furthermore, we establish a bottom-up similarity construction and top-down similarity inference framework to infer the similarity based on semantic hierarchy consistency. We first identify unreliable higher-level similarity nodes and then correct them using the most coherent adjacent lower-level similarity nodes, which simultaneously preserve traces for similarity attribution. Extensive experiments on the CUB-200-2011, Cars196, and Stanford Online Products datasets demonstrate significant improvements over existing deep similarity learning methods and verify the interpretability of our framework. Code is available at https://github.com/zbr17/AVSL.
• Abstract（参考訳）: 本稿では、画像間のより正確で説明可能な類似度測定のための帰属的視覚類似度学習(AVSL)フレームワークを提案する。 既存の類似性学習法は、各サンプルを距離計量(例えばマハラノビス距離、ユークリッド距離)で埋め込み空間内の1つの点にマッピングすることで説明不能を悪化させる。 本研究では,人間の意味的類似性認知に動機づけられ,グラフを用いた2つの画像間の類似性を表現する汎用的類似性学習パラダイムを提案する。 さらに,ボトムアップ相似性構築とトップダウン相似性推論フレームワークを構築し,意味階層一貫性に基づく相似性を推定する。 まず,信頼できない高レベル類似性ノードを特定し,最も一貫性の低い隣接低レベル類似性ノードを用いて修正する。 CUB-200-2011、Cars196、Stanford Online Productsデータセットの大規模な実験は、既存の深い類似性学習法を大幅に改善し、我々のフレームワークの解釈可能性を検証する。 コードはhttps://github.com/zbr17/AVSL.comで入手できる。

関連論文リスト

• Interpretable Measures of Conceptual Similarity by Complexity-Constrained Descriptive Auto-Encoding [112.0878081944858]
  画像間の類似度を定量化することは、画像ベースの機械学習にとって重要な著作権問題である。 我々は,高次関係を捉えた画像間での「概念的類似性」の概念を定義し,計算することを目指している。 2つの非常に異種な画像は、その記述の早い段階で識別できるが、概念的に異種な画像は、より詳細を区別する必要がある。
  論文  参考訳（メタデータ） (2024-02-14T03:31:17Z)
• Doppelgangers: Learning to Disambiguate Images of Similar Structures [76.61267007774089]
  幻像マッチングは、人間が区別することは困難であり、3D再構成アルゴリズムに誤った結果をもたらす可能性がある。 本稿では,視覚的曖昧化に対する学習に基づくアプローチを提案し,イメージペア上でのバイナリ分類タスクとして定式化する。 本手法は, 難易度の高い画像の一致を識別し, SfMパイプラインに統合することにより, 正確な3次元再構成を実現できることを示す。
  論文  参考訳（メタデータ） (2023-09-05T17:50:36Z)
• Introspective Deep Metric Learning for Image Retrieval [80.29866561553483]
  良好な類似性モデルは、より堅牢なトレーニングのために曖昧なイメージをよりよく扱うように注意しながら、意味的な相違を考慮すべきである、と我々は主張する。 本稿では,画像の意味的特徴とあいまいさを記述した,意味的埋め込みだけでなく,付随する不確実性埋め込みを用いて画像を表現することを提案する。 提案したIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能向上を実現し,広く使用されているCUB-200-2011,Cars196,Stanford Online Productsデータセットの最先端結果を得る。
  論文  参考訳（メタデータ） (2022-05-09T17:51:44Z)
• SimMatch: Semi-supervised Learning with Similarity Matching [43.61802702362675]
  SimMatchは、意味的類似性とインスタンス類似性を考慮した、新しい半教師付き学習フレームワークである。 400エポックのトレーニングで、SimMatchは67.2%、Top-1の正確度は74.4%で、ImageNetでは1%と10%のラベルが付けられている。
  論文  参考訳（メタデータ） (2022-03-14T08:08:48Z)
• MNet-Sim: A Multi-layered Semantic Similarity Network to Evaluate Sentence Similarity [0.0]
  類似性(英: similarity)は、それが考慮される領域によって異なる比較目的測度である。 本稿では,複数の類似度に基づく多層意味類似性ネットワークモデルを提案する。 その結果, 文類似性の評価において, 性能スコアが向上していることが判明した。
  論文  参考訳（メタデータ） (2021-11-09T20:43:18Z)
• Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
  セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。 画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
  論文  参考訳（メタデータ） (2021-09-22T18:34:14Z)
• Instance Similarity Learning for Unsupervised Feature Representation [83.31011038813459]
  教師なし特徴表現のための例類似性学習(ISL)手法を提案する。 我々はGAN(Generative Adversarial Networks)を用いて、基礎となる特徴多様体をマイニングする。 画像分類実験は, 最先端手法と比較して, 提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2021-08-05T16:42:06Z)
• Hierarchical Similarity Learning for Language-based Product Image Retrieval [40.83290730640458]
  本稿では,クロスモーダル類似度測定に着目し,新しい階層的類似度学習ネットワークを提案する。 大規模製品検索データセットの実験により,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-02-18T14:23:16Z)
• Learning Tversky Similarity [3.775586678922689]
  本稿では,Tverskyの類似度尺度を適切なトレーニングデータから学習する際の問題点について考察する。 実験により,2つの画像データセットを用いた類似性学習へのアプローチを評価し,既存の手法と非常によく比較できることを示す。
  論文  参考訳（メタデータ） (2020-05-27T07:58:35Z)

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。