論文の概要: Importance Weighted Structure Learning for Scene Graph Generation
- arxiv url: http://arxiv.org/abs/2205.07017v1
- Date: Sat, 14 May 2022 09:25:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-17 15:42:14.884786
- Title: Importance Weighted Structure Learning for Scene Graph Generation
- Title（参考訳）: シーングラフ生成における重要度重み付き構造学習
- Authors: Daqi Liu, Miroslaw Bober, Josef Kittler
- Abstract要約: 本稿では,シーングラフ生成のための重み付き構造学習手法を提案する。
結果として生じる制約付き変動推論タスクを解決するために、一般的なエントロピーミラー降下アルゴリズムを適用した。
提案手法は,様々な人気シーングラフ生成ベンチマークにおいて,最先端の性能を実現する。
- 参考スコア（独自算出の注目度）: 40.46394569128303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scene graph generation is a structured prediction task aiming to explicitly
model objects and their relationships via constructing a visually-grounded
scene graph for an input image. Currently, the message passing neural network
based mean field variational Bayesian methodology is the ubiquitous solution
for such a task, in which the variational inference objective is often assumed
to be the classical evidence lower bound. However, the variational
approximation inferred from such loose objective generally underestimates the
underlying posterior, which often leads to inferior generation performance. In
this paper, we propose a novel importance weighted structure learning method
aiming to approximate the underlying log-partition function with a tighter
importance weighted lower bound, which is computed from multiple samples drawn
from a reparameterizable Gumbel-Softmax sampler. A generic entropic mirror
descent algorithm is applied to solve the resulting constrained variational
inference task. The proposed method achieves the state-of-the-art performance
on various popular scene graph generation benchmarks.
- Abstract（参考訳）: シーングラフ生成は、入力画像のための視覚的なシーングラフを構築することにより、オブジェクトとその関係を明示的にモデル化することを目的とした構造化予測タスクである。
現在、メッセージパッシングニューラルネットワークに基づく平均場変動ベイズ手法はそのようなタスクのユビキタスな解であり、変分推論の目的はしばしば古典的な証拠の低い境界であると仮定される。
しかし、そのようなゆるい目標から推定される変分近似は一般的に下層を過小評価し、しばしば世代性能を低下させる。
本稿では,再評価可能なグンベルソフトマックス・サンプラーから抽出した複数のサンプルから求めた重み付き下界の重み付き重み付け関数を近似することを目的とした,新しい重み付き構造学習法を提案する。
結果として生じる制約付き変動推論タスクを解決するために、一般的なエントロピーミラー降下アルゴリズムを適用する。
提案手法は,様々な人気シーングラフ生成ベンチマークにおける最先端性能を実現する。
関連論文リスト
- Doubly Reparameterized Importance Weighted Structure Learning for Scene
Graph Generation [40.46394569128303]
入力画像が与えられたシーングラフ生成は、視覚的に接地されたシーングラフを構築することにより、オブジェクトとその関係を明示的にモデル化することを目的としている。
本稿では,より厳密な重み付き下界を変分推論対象として用いた2重み付き重み付き構造学習法を提案する。
提案手法は,様々な人気シーングラフ生成ベンチマークにおいて,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-06-22T20:00:25Z) - Constrained Structure Learning for Scene Graph Generation [40.46394569128303]
本稿では,制約付き構造学習手法を提案する。
本稿では,様々なシーングラフ生成ベンチマークを用いて提案手法の有効性を検証し,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-27T17:47:37Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Neural Belief Propagation for Scene Graph Generation [31.9682610869767]
本稿では,結果のシーングラフを生成するための新しいニューラル信念伝搬法を提案する。
平均場近似よりも構造的Bethe近似を用いて、関連する限界を推定する。
様々な人気のあるシーングラフ生成ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-12-10T18:30:27Z) - Instance-Level Relative Saliency Ranking with Graph Reasoning [126.09138829920627]
そこで本研究では,有意な事例を分割し,相対的有意な有意なランク順序を推定するための統一モデルを提案する。
また、サラレンシーランキングブランチを効果的にトレーニングするために、新しい損失関数も提案されている。
実験の結果,提案手法は従来の手法よりも有効であることがわかった。
論文 参考訳（メタデータ） (2021-07-08T13:10:42Z) - Scaling Up Graph Neural Networks Via Graph Coarsening [18.176326897605225]
グラフニューラルネットワーク(GNN)のスケーラビリティは、マシンラーニングにおける大きな課題のひとつだ。
本稿では,GNNのスケーラブルなトレーニングにグラフ粗大化を用いることを提案する。
既成の粗大化法を単純に適用すれば,分類精度を著しく低下させることなく,ノード数を最大10倍に削減できることを示す。
論文 参考訳（メタデータ） (2021-06-09T15:46:17Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - Learning What Makes a Difference from Counterfactual Examples and
Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。
我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。
このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2020-04-20T02:47:49Z)
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。