論文の概要: Doubly Reparameterized Importance Weighted Structure Learning for Scene Graph Generation

• arxiv url: http://arxiv.org/abs/2206.11352v1
• Date: Wed, 22 Jun 2022 20:00:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 13:42:23.672976
• Title: Doubly Reparameterized Importance Weighted Structure Learning for Scene Graph Generation
• Title（参考訳）: シーングラフ生成のための2倍重み付け構造学習
• Authors: Daqi Liu, Miroslaw Bober, Josef Kittler
• Abstract要約: 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。
• 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: As a structured prediction task, scene graph generation, given an input image, aims to explicitly model objects and their relationships by constructing a visually-grounded scene graph. In the current literature, such task is universally solved via a message passing neural network based mean field variational Bayesian methodology. The classical loose evidence lower bound is generally chosen as the variational inference objective, which could induce oversimplified variational approximation and thus underestimate the underlying complex posterior. In this paper, we propose a novel doubly reparameterized importance weighted structure learning method, which employs a tighter importance weighted lower bound as the variational inference objective. It is computed from multiple samples drawn from a reparameterizable Gumbel-Softmax sampler and the resulting constrained variational inference task is solved by a generic entropic mirror descent algorithm. The resulting doubly reparameterized gradient estimator reduces the variance of the corresponding derivatives with a beneficial impact on learning. The proposed method achieves the state-of-the-art performance on various popular scene graph generation benchmarks.
• Abstract（参考訳）: 構造化予測タスクとして、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し、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。 現在の文献では、この課題は平均場変動ベイズ法に基づくメッセージパッシングニューラルネットワークによって普遍的に解決される。 古典的な緩い証拠の下限は、一般的に変分推論の目的として選ばれ、これは過度に単純化された変分近似を誘導し、基礎となる複素後部を過小評価する。 本稿では,重み付き重み付き構造学習の目的として,重み付き下限をより厳密に活用した,重み付き構造学習手法を提案する。 再パラメータ化可能なGumbel-Softmaxサンプルから引き出された複数のサンプルから算出し、結果として生じる制約付き変動推論タスクを一般的なエントロピックミラー降下アルゴリズムにより解く。 得られた2重再パラメータ化勾配推定器は、学習に有益な影響で対応する誘導体の分散を減少させる。 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

• Joint Graph Learning and Model Fitting in Laplacian Regularized Stratified Models [5.933030735757292]
  ラプラシア正規化成層モデル(Laplacian regularized Stratified Model、LRSM)は、サブプロブレムの明示的または暗黙的なネットワーク構造を利用するモデルである。 本稿では,LRSMにおけるグラフ重みの重要性と感度を示し,その感度が任意に大きいことを示す。 本稿では,1つの最適化問題を解くことで,モデルパラメータを適合させながらグラフを共同学習する汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T06:06:29Z)
• Importance Weighted Structure Learning for Scene Graph Generation [40.46394569128303]
  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。
  論文  参考訳（メタデータ） (2022-05-14T09:25:14Z)
• 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)
• On the Role of Optimization in Double Descent: A Least Squares Study [30.44215064390409]
  最小二乗対象の降下勾配解に対して過大なリスクを負うことを示す。 ノイズのない回帰の場合、二重降下は最適化関連量によってのみ説明される。 ニューラルネットワークの予測が保たれているかどうかを実証的に調査する。
  論文  参考訳（メタデータ） (2021-07-27T09:13:11Z)
• 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)
• 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。