論文の概要: Large Loss Matters in Weakly Supervised Multi-Label Classification

• arxiv url: http://arxiv.org/abs/2206.03740v1
• Date: Wed, 8 Jun 2022 08:30:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 22:05:49.238965
• Title: Large Loss Matters in Weakly Supervised Multi-Label Classification
• Title（参考訳）: 弱監視マルチラベル分類における大きな損失事項
• Authors: Youngwook Kim, Jae Myung Kim, Zeynep Akata, Jungwoo Lee
• Abstract要約: まず、観測されていないラベルを負のラベルとみなし、Wタスクをノイズの多いマルチラベル分類にキャストする。 ノイズラベルを記憶しないために,大規模な損失サンプルを拒絶または補正する新しいW法を提案する。 提案手法は, 弱教師付きマルチラベル分類において, 大きな損失を適切に処理することが重要であることを検証した。
• 参考スコア（独自算出の注目度）: 50.262533546999045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weakly supervised multi-label classification (WSML) task, which is to learn a multi-label classification using partially observed labels per image, is becoming increasingly important due to its huge annotation cost. In this work, we first regard unobserved labels as negative labels, casting the WSML task into noisy multi-label classification. From this point of view, we empirically observe that memorization effect, which was first discovered in a noisy multi-class setting, also occurs in a multi-label setting. That is, the model first learns the representation of clean labels, and then starts memorizing noisy labels. Based on this finding, we propose novel methods for WSML which reject or correct the large loss samples to prevent model from memorizing the noisy label. Without heavy and complex components, our proposed methods outperform previous state-of-the-art WSML methods on several partial label settings including Pascal VOC 2012, MS COCO, NUSWIDE, CUB, and OpenImages V3 datasets. Various analysis also show that our methodology actually works well, validating that treating large loss properly matters in a weakly supervised multi-label classification. Our code is available at https://github.com/snucml/LargeLossMatters.
• Abstract（参考訳）: 画像ごとの部分的なラベルを用いた多ラベル分類を学習するWSMLタスクは,その膨大なアノテーションコストのため,ますます重要になりつつある。 本稿では、まず、観測されていないラベルを負のラベルとみなし、WSMLタスクをノイズの多いマルチラベル分類にキャストする。 この観点から、ノイズの多いマルチクラス設定で最初に発見された暗記効果も、マルチラベル設定で発生することを実証的に観察する。 つまり、モデルはまずクリーンラベルの表現を学習し、その後ノイズの多いラベルを記憶し始める。 そこで本研究では, ノイズラベルを記憶しないために, 大規模な損失サンプルを拒絶あるいは修正するWSMLの新しい手法を提案する。 提案手法は,Pascal VOC, MS COCO, NUSWIDE, CUB, OpenImages V3データセットなど,いくつかの部分的なラベル設定において,従来のWSML手法よりも優れている。 また,様々な分析結果から,本手法は実効性を示し,弱い教師付きマルチラベル分類において大きな損失を適切に扱うことが重要であることを検証した。 私たちのコードはhttps://github.com/snucml/LargeLossMattersで利用可能です。

関連論文リスト

• Towards Imbalanced Large Scale Multi-label Classification with Partially Annotated Labels [8.977819892091]
  マルチラベル分類は、複数のクラスにインスタンスを関連付けることができる日常生活において、広く発生する問題である。 本研究では,ラベルの不均衡の問題に対処し,部分ラベルを用いたニューラルネットワークのトレーニング方法について検討する。
  論文  参考訳（メタデータ） (2023-07-31T21:50:48Z)
• Positive Label Is All You Need for Multi-Label Classification [3.354528906571718]
  マルチラベル分類(MLC)は、トレーニングデータにおけるラベルノイズによる課題に直面する。 本稿では,MPCにおけるラベルノイズに,PU-MLC法を導入して対処する。 PU-MLCは正のラベル付き学習を採用し、正のラベルとラベルなしのデータだけでモデルを訓練する。
  論文  参考訳（メタデータ） (2023-06-28T08:44:00Z)
• Bridging the Gap between Model Explanations in Partially Annotated Multi-label Classification [85.76130799062379]
  偽陰性ラベルがモデルの説明にどのように影響するかを考察する。 本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
  論文  参考訳（メタデータ） (2023-04-04T14:00:59Z)
• Complementary to Multiple Labels: A Correlation-Aware Correction Approach [65.59584909436259]
  理論上, マルチクラスCLLにおける遷移行列が, 複数ラベルの場合どのように歪むかを示す。 候補ラベルから遷移行列を推定する2段階の手法を提案する。
  論文  参考訳（メタデータ） (2023-02-25T04:48:48Z)
• An Effective Approach for Multi-label Classification with Missing Labels [8.470008570115146]
  分類ネットワークにさらなる複雑さをもたらすことなく、アノテーションのコストを削減するための擬似ラベルベースのアプローチを提案する。 新たな損失関数を設計することにより、各インスタンスが少なくとも1つの正のラベルを含む必要があるという要求を緩和することができる。 提案手法は,正のラベルと負のラベルの不均衡を扱える一方で,既存の欠落ラベル学習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） (2022-10-24T23:13:57Z)
• Acknowledging the Unknown for Multi-label Learning with Single Positive Labels [65.5889334964149]
  伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。 本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。 非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
  論文  参考訳（メタデータ） (2022-03-30T11:43:59Z)
• All Labels Are Not Created Equal: Enhancing Semi-supervision via Label Grouping and Co-training [32.45488147013166]
  Pseudo-labelingは、半教師付き学習(SSL)の鍵となるコンポーネントである 本論文では,ラベルセマンティクスとコトレーニングを活用した問題解決手法であるSemCoを提案する。 提案手法は,1000個のラベル付きサンプルを持つミニイメージネットデータセットにおける5.6%の精度向上を含む,様々なsslタス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） (2021-04-12T07:33:16Z)
• Evaluating Multi-label Classifiers with Noisy Labels [0.7868449549351487]
  実世界では、クリーンなデータセットよりもノイズの多いデータセットを扱う方が一般的です。 雑音ラベルを効果的に処理するコンテキストベースマルチラベル分類器(CbMLC)を提案する。 CbMLCは、ほとんどの場合、以前の方法よりも大幅に改善されています。
  論文  参考訳（メタデータ） (2021-02-16T19:50:52Z)
• Noisy Labels Can Induce Good Representations [53.47668632785373]
  アーキテクチャがノイズラベルによる学習に与える影響について検討する。 ノイズラベルを用いたトレーニングは,モデルが一般化に乏しい場合でも,有用な隠れ表現を誘導できることを示す。 この発見は、騒々しいラベルで訓練されたモデルを改善する簡単な方法につながります。
  論文  参考訳（メタデータ） (2020-12-23T18:58:05Z)
• Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
  本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。 提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。 マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
  論文  参考訳（メタデータ） (2020-04-20T12:13:43Z)

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。