論文の概要: The Missing Link: Finding label relations across datasets
- arxiv url: http://arxiv.org/abs/2206.04453v1
- Date: Thu, 9 Jun 2022 12:25:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-10 14:01:50.472970
- Title: The Missing Link: Finding label relations across datasets
- Title（参考訳）: Missing Link: データセット間のラベル関係を見つける
- Authors: Jasper Uijlings, Thomas Mensink, Vittorio Ferrari
- Abstract要約: データセット間のラベル間の視覚的意味関係の自動発見について検討する。
提案手法は,データセット間のラベル関係と関係のタイプを効果的に検出できる。
クラス名だけではラベル関係は確立できないと結論づける。
- 参考スコア（独自算出の注目度）: 42.47599474050205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer Vision is driven by the many datasets which can be used for training
or evaluating novel methods. However, each dataset has different set of class
labels, visual definition of classes, images following a specific distribution,
annotation protocols, etc. In this paper we explore the automatic discovery of
visual-semantic relations between labels across datasets. We want to understand
how the instances of a certain class in a dataset relate to the instances of
another class in another dataset. Are they in an identity, parent/child,
overlap relation? Or is there no link between them at all? To find relations
between labels across datasets, we propose methods based on language, on
vision, and on a combination of both. Our methods can effectively discover
label relations across datasets and the type of the relations. We use these
results for a deeper inspection on why instances relate, find missing aspects
of a class, and use our relations to create finer-grained annotations. We
conclude that label relations cannot be established by looking at the names of
classes alone, as they depend strongly on how each of the datasets was
constructed.
- Abstract（参考訳）: コンピュータビジョンは、新しい手法のトレーニングや評価に使用できる多くのデータセットによって駆動される。
しかしながら、各データセットには、クラスラベルの異なるセット、クラスの視覚的定義、特定のディストリビューションに従うイメージ、アノテーションプロトコルなどがあります。
本稿では,データセット間のラベル間の視覚的意味関係の自動発見について検討する。
データセット内のあるクラスのインスタンスが、別のデータセット内の別のクラスのインスタンスとどのように関連しているかを理解したいのです。
彼らはアイデンティティ、親/子、重複関係にあるか?
あるいは、それらの関係が全くないのか?
データセットにまたがるラベル間の関係を見つけるために,言語に基づく手法,視覚に基づく手法,および両者の組み合わせを提案する。
提案手法は,データセット間のラベル関係と関係のタイプを効果的に検出できる。
これらの結果は、なぜインスタンスが関連するのか、クラスの欠落した側面を見つけ、私たちの関係を使ってよりきめ細かいアノテーションを作成します。
我々は,各データセットがどのように構築されたかに強く依存するため,クラス名だけでラベル関係を確立することはできないと結論付けた。
関連論文リスト
- Multi-Label Classification for Implicit Discourse Relation Recognition [10.280148603465697]
暗黙的な談話関係認識のための多言語分類フレームワークについて検討する。
本研究では,複数ラベルの分類手法が単一ラベルの予測性能を低下させないことを示す。
論文 参考訳（メタデータ） (2024-06-06T19:37:25Z) - Thinking Like an Annotator: Generation of Dataset Labeling Instructions [59.603239753484345]
本稿では、公開されていないラベリング命令に対処するため、新しいタスクであるラベリング命令生成を導入する。
1)データセット内のカテゴリ毎に視覚的に代表されるサンプルのセットを生成し,2)サンプルに対応するテキストラベルを提供する。
このフレームワークは人間のアノテーションのプロキシとして機能し、最終的なラベル付け命令セットを生成し、その品質を評価するのに役立つ。
論文 参考訳（メタデータ） (2023-06-24T18:32:48Z) - Group is better than individual: Exploiting Label Topologies and Label
Relations for Joint Multiple Intent Detection and Slot Filling [39.76268402567324]
我々は2種類のトポロジーを含む異種ラベルグラフ(HLG)を構築した。
ラベル相関を利用してセマンティック・ラベルの相互作用を強化する。
また,ラベルに依存しないデコード機構を提案し,デコードのためのラベル相関をさらに活用する。
論文 参考訳（メタデータ） (2022-10-19T08:21:43Z) - ViRel: Unsupervised Visual Relations Discovery with Graph-level Analogy [65.5580334698777]
ViRelは、グラフレベルのアナロジーを用いた視覚関係の教師なし発見と学習のための方法である。
本研究では,関係分類において95%以上の精度を達成できることを示す。
さらに、より複雑な関係構造を持つ未確認タスクに一般化する。
論文 参考訳（メタデータ） (2022-07-04T16:56:45Z) - Discovering Fine-Grained Semantics in Knowledge Graph Relations [5.619233302594469]
異なるタイプのエンティティ間の多文の関係は、複数の意味論を表す。
エンティティタイプ分類、質問応答、知識グラフ補完などの多くのユースケースでは、正しい意味解釈が必要である。
本稿では,抽象的関係に関連する異なる意味を発見するための戦略を提案し,細かな意味を持つ多くの部分関係を導出する。
論文 参考訳（メタデータ） (2022-02-17T22:05:41Z) - Semantic Labeling Using a Deep Contextualized Language Model [9.719972529205101]
本研究では,コラム値と文脈の両方を用いた文脈認識型セマンティックラベリング手法を提案する。
我々の新しい手法はセマンティックラベリングの新しい設定に基づいており、ヘッダーを欠いた入力テーブルのラベルを逐次予測する。
我々の知る限りでは、BERTをセマンティックラベリングタスクの解決に成功させたのは、私たちが初めてです。
論文 参考訳（メタデータ） (2020-10-30T03:04:22Z) - Exploit Multiple Reference Graphs for Semi-supervised Relation
Extraction [12.837901211741443]
ラベルなしデータとラベル付きデータとの接続を構築することを提案する。
具体的には,まず3種類の情報を用いて参照グラフを構築する。
目標は、ラベル付けされていないサンプル(s)をラベル付けされたサンプル(s)に意味的または語彙的に接続することである。
論文 参考訳（メタデータ） (2020-10-22T02:14:27Z) - Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。
実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
論文 参考訳（メタデータ） (2020-09-12T17:36:53Z) - Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。
エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。
その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
論文 参考訳（メタデータ） (2020-02-17T03:33:41Z) - Cross-dataset Training for Class Increasing Object Detection [52.34737978720484]
オブジェクト検出におけるクロスデータセットトレーニングのための,概念的にシンプルで柔軟で汎用的なフレームワークを提案する。
データセット間のトレーニングによって、既存のデータセットを使用して、単一のモデルで統合されたオブジェクトクラスを検出することができる。
クロスデータセットトレーニングを使用している間、新しいデータセットに新しいクラスをラベル付けするだけです。
論文 参考訳（メタデータ） (2020-01-14T04:40:47Z)
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。