論文の概要: Attribute Prototype Network for Any-Shot Learning

• arxiv url: http://arxiv.org/abs/2204.01208v1
• Date: Mon, 4 Apr 2022 02:25:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 15:28:20.411172
• Title: Attribute Prototype Network for Any-Shot Learning
• Title（参考訳）: 任意のショット学習のための属性プロトタイプネットワーク
• Authors: Wenjia Xu, Yongqin Xian, Jiuniu Wang, Bernt Schiele, Zeynep Akata
• Abstract要約: 属性ローカライズ機能を統合した画像表現は、任意のショット、すなわちゼロショットと少数ショットのイメージ分類タスクに有用である、と我々は主張する。 クラスレベルの属性のみを用いてグローバルな特徴とローカルな特徴を共同で学習する新しい表現学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 113.50220968583353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Any-shot image classification allows to recognize novel classes with only a few or even zero samples. For the task of zero-shot learning, visual attributes have been shown to play an important role, while in the few-shot regime, the effect of attributes is under-explored. To better transfer attribute-based knowledge from seen to unseen classes, we argue that an image representation with integrated attribute localization ability would be beneficial for any-shot, i.e. zero-shot and few-shot, image classification tasks. To this end, we propose a novel representation learning framework that jointly learns discriminative global and local features using only class-level attributes. While a visual-semantic embedding layer learns global features, local features are learned through an attribute prototype network that simultaneously regresses and decorrelates attributes from intermediate features. Furthermore, we introduce a zoom-in module that localizes and crops the informative regions to encourage the network to learn informative features explicitly. We show that our locality augmented image representations achieve a new state-of-the-art on challenging benchmarks, i.e. CUB, AWA2, and SUN. As an additional benefit, our model points to the visual evidence of the attributes in an image, confirming the improved attribute localization ability of our image representation. The attribute localization is evaluated quantitatively with ground truth part annotations, qualitatively with visualizations, and through well-designed user studies.
• Abstract（参考訳）: 任意のショット画像分類は、ほんの数またはゼロのサンプルで新しいクラスを認識できる。 ゼロショット学習の課題では、視覚的属性が重要な役割を担っていることが示されているが、少数ショットでは、属性の効果が過小評価されている。 属性に基づく知識を目に見えるクラスから見当たらないクラスに移すため、属性のローカライズ機能を統合した画像表現は、任意のショット、すなわちゼロショットと少数ショットの画像分類タスクに有益であると主張している。 そこで本研究では,クラスレベルの属性のみを用いて,グローバルな特徴とローカルな特徴を識別的に学習する新しい表現学習フレームワークを提案する。 ビジュアル・セマンティックな埋め込み層はグローバルな特徴を学習するが、局所的な特徴は属性のプロトタイプネットワークを通じて学習される。 さらに,情報領域をローカライズして収穫するズームインモジュールを導入し,情報機能を明確に学習するようネットワークに促す。 CUB、AWA2、SUNといった挑戦的なベンチマークに対して、我々の局所性拡張画像表現が新たな最先端を実現することを示す。 さらに,画像中の属性の視覚的な証拠を示し,画像表現の属性局在化能力の向上を確認した。 属性のローカライゼーションは、基底真理部分アノテーション、可視化と質的に、そしてよく設計されたユーザスタディによって定量的に評価される。

関連論文リスト

• High-Discriminative Attribute Feature Learning for Generalized Zero-Shot Learning [54.86882315023791]
  一般化ゼロショット学習(HDAFL)のための高識別属性特徴学習(High-Discriminative Attribute Feature Learning)という革新的な手法を提案する。 HDAFLは複数の畳み込みカーネルを使用して、画像の属性と高い相関性を持つ識別領域を自動的に学習する。 また、属性間の識別能力を高めるために、Transformerベースの属性識別エンコーダを導入する。
  論文  参考訳（メタデータ） (2024-04-07T13:17:47Z)
• Attribute Localization and Revision Network for Zero-Shot Learning [13.530912616208722]
  ゼロショット学習により、モデルは属性などの補助的な意味情報の助けを借りて、目に見えないカテゴリを認識できる。 本稿では,局所的な特徴とグローバルな特徴の選択がゼロサムゲームではなく,グローバルな特徴が属性の理解に寄与することを発見した。
  論文  参考訳（メタデータ） (2023-10-11T14:50:52Z)
• Dual Feature Augmentation Network for Generalized Zero-shot Learning [14.410978100610489]
  ゼロショット学習 (ZSL) は,見知らぬクラスから知識を伝達することによって,サンプルを訓練せずに新しいクラスを推論することを目的としている。 ZSLの既存の埋め込みベースのアプローチは、画像上の属性を見つけるために注意機構を用いるのが一般的である。 本稿では,2つの機能拡張モジュールからなる新しいDual Feature Augmentation Network (DFAN)を提案する。
  論文  参考訳（メタデータ） (2023-09-25T02:37:52Z)
• Shaping Visual Representations with Attributes for Few-Shot Learning [5.861206243996454]
  少ないショット認識は、低データ体制下での新規カテゴリの認識を目的としている。 近年,メートル法に基づく数ショット学習法は有望な性能を達成している。 本稿では,属性型学習(ASL)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T03:16:19Z)
• Region Semantically Aligned Network for Zero-Shot Learning [18.18665627472823]
  本研究では、未確認クラスの局所的特徴をそれらの意味属性にマッピングする地域意味ネットワーク(RSAN)を提案する。 出力の特定の領域から各属性を取得し、これらの属性を認識に活用する。 いくつかの標準ZSLデータセットの実験では、提案したRSAN法の利点が示され、最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-14T03:23:40Z)
• Goal-Oriented Gaze Estimation for Zero-Shot Learning [62.52340838817908]
  識別的属性の局在性を改善するために, 目標指向視線推定モジュール(GEM)を提案する。 属性記述に導かれた新しい物体を認識する視覚注意領域を得るために,実際の人間の視線位置を予測することを目的とする。 この研究は、高レベルのコンピュータビジョンタスクに人間の視線データセットと自動視線推定アルゴリズムを集めることの有望な利点を示しています。
  論文  参考訳（メタデータ） (2021-03-05T02:14:57Z)
• Attribute Prototype Network for Zero-Shot Learning [113.50220968583353]
  差別的グローバルな特徴と局所的な特徴を共同で学習するゼロショット表現学習フレームワークを提案する。 本モデルでは,画像中の属性の視覚的証拠を指摘し,画像表現の属性ローカライゼーション能力の向上を確認した。
  論文  参考訳（メタデータ） (2020-08-19T06:46:35Z)
• Simple and effective localized attribute representations for zero-shot learning [48.053204004771665]
  Zero-shot Learning (ZSL) は、目に見えないクラスとイメージを区別することを目的としている。 本稿では,意味/属性空間における局所化表現を提案する。 提案手法は,ゼロショット学習のための新しいベースラインとして利用することができる。
  論文  参考訳（メタデータ） (2020-06-10T16:46:12Z)
• CompGuessWhat?!: A Multi-task Evaluation Framework for Grounded Language Learning [78.3857991931479]
  本稿では,属性を用いたグラウンドド言語学習のための評価フレームワークGROLLAを提案する。 また、学習したニューラル表現の品質を評価するためのフレームワークの例として、新しいデータセットCompGuessWhat!?を提案する。
  論文  参考訳（メタデータ） (2020-06-03T11:21:42Z)

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。