論文の概要: On the Eigenvalues of Global Covariance Pooling for Fine-grained Visual Recognition

• arxiv url: http://arxiv.org/abs/2205.13282v1
• Date: Thu, 26 May 2022 11:41:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 13:58:15.509239
• Title: On the Eigenvalues of Global Covariance Pooling for Fine-grained Visual Recognition
• Title（参考訳）: 細粒度視覚認識のための大域共分散プールの固有値について
• Authors: Yue Song, Nicu Sebe, Wei Wang
• Abstract要約: グローバル共分散プーリング(GCP)の小さな固有値をトラッピングすることで、よりスムーズな勾配が得られることを示す。 きめ細かいデータセットでは、小さな固有値の切り抜きは、モデルを収束させるのに失敗する。 この観測から着想を得て,小さな固有値の重要性を拡大するネットワーク分岐を提案する。
• 参考スコア（独自算出の注目度）: 65.67315418971688
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The Fine-Grained Visual Categorization (FGVC) is challenging because the subtle inter-class variations are difficult to be captured. One notable research line uses the Global Covariance Pooling (GCP) layer to learn powerful representations with second-order statistics, which can effectively model inter-class differences. In our previous conference paper, we show that truncating small eigenvalues of the GCP covariance can attain smoother gradient and improve the performance on large-scale benchmarks. However, on fine-grained datasets, truncating the small eigenvalues would make the model fail to converge. This observation contradicts the common assumption that the small eigenvalues merely correspond to the noisy and unimportant information. Consequently, ignoring them should have little influence on the performance. To diagnose this peculiar behavior, we propose two attribution methods whose visualizations demonstrate that the seemingly unimportant small eigenvalues are crucial as they are in charge of extracting the discriminative class-specific features. Inspired by this observation, we propose a network branch dedicated to magnifying the importance of small eigenvalues. Without introducing any additional parameters, this branch simply amplifies the small eigenvalues and achieves state-of-the-art performances of GCP methods on three fine-grained benchmarks. Furthermore, the performance is also competitive against other FGVC approaches on larger datasets. Code is available at \href{https://github.com/KingJamesSong/DifferentiableSVD}{https://github.com/KingJamesSong/DifferentiableSVD}.
• Abstract（参考訳）: 微妙なクラス間変異を捉えるのが困難であるため、FGVC(Fen-Grained Visual Categorization)は難しい。 注目すべき研究ラインのひとつは、gcp(global covariance pooling)レイヤを使用して、二階統計による強力な表現を学習し、クラス間の違いを効果的にモデル化する。 前回の論文では、GCP共分散の小さな固有値のトラッピングにより、よりスムーズな勾配が得られ、大規模ベンチマークの性能が向上することを示した。 しかし、きめ細かいデータセットでは、小さな固有値の切り換えはモデルが収束しない。 この観察は、小さな固有値が単にノイズや重要でない情報に対応しているという一般的な仮定と矛盾する。 したがって、無視はパフォーマンスにほとんど影響を与えない。 この特異な振る舞いを診断するために, 識別クラス特有の特徴を抽出できるため, 一見重要でない小さな固有値が重要であることを示す2つの帰属法を提案する。 この観測から着想を得て,小さな固有値の重要性を拡大するネットワーク分岐を提案する。 追加のパラメータを導入することなく、このブランチは単に小さな固有値を増幅し、3つのきめ細かいベンチマークでGCPメソッドの最先端のパフォーマンスを達成する。 さらに、パフォーマンスは、より大きなデータセット上の他のFGVCアプローチと競合する。 コードは \href{https://github.com/KingJamesSong/DifferentiableSVD}{https://github.com/KingJamesSong/DifferentiableSVD} で公開されている。

関連論文リスト

• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• R2-Trans:Fine-Grained Visual Categorization with Redundancy Reduction [21.11038841356125]
  細粒度視覚分類(FGVC)は、クラス内の大きな多様性と微妙なクラス間差が主な課題である類似のサブカテゴリを識別することを目的としている。 本稿では,FGVCに対する新たなアプローチを提案する。FGVCは,環境条件における部分的かつ十分な識別情報を同時に利用でき,また,対象物に対するクラストークンにおける冗長情報を圧縮することができる。
  論文  参考訳（メタデータ） (2022-04-21T13:35:38Z)
• Multi-view Data Classification with a Label-driven Auto-weighted Strategy [32.581793437017716]
  ラベルの観点から,ビューの重要性を評価するための自己重み付け戦略を提案する。 この戦略に基づいて,トランスダクティブな半教師付き自動重み付きマルチビュー分類モデルを提案する。 提案手法は,最適あるいは準最適の分類精度を最小計算コストで達成する。
  論文  参考訳（メタデータ） (2022-01-03T15:27:54Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Supervised Visualization for Data Exploration [9.742277703732187]
  本稿では,無作為な森林確率と拡散に基づく次元減少に基づく新しい可視化手法について述べる。 我々のアプローチはノイズやパラメータのチューニングに頑健であり、データ探索のための信頼性の高い可視化を作成しながら、簡単に使用できる。
  論文  参考訳（メタデータ） (2020-06-15T19:10:17Z)
• DHOG: Deep Hierarchical Object Grouping [0.0]
  本研究では,相互情報量(勾配最適化など)を最大化するための欲求的あるいは局所的手法が,相互情報量規準の局所的最適性を発見することを示す。 本稿では,画像の多数の異なる表現を階層的順序で計算するディープ階層的オブジェクトグループ化(DHOG)を提案する。 これらの表現は、下層のオブジェクトクラスにグループ化する下流のタスクとよく一致している。
  論文  参考訳（メタデータ） (2020-03-13T14:11:48Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。