論文の概要: Instance Image Retrieval by Learning Purely From Within the Dataset
- arxiv url: http://arxiv.org/abs/2208.06119v1
- Date: Fri, 12 Aug 2022 04:51:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-15 13:31:48.608750
- Title: Instance Image Retrieval by Learning Purely From Within the Dataset
- Title（参考訳）: データセット内から純粋に学習したインスタンス画像検索
- Authors: Zhongyan Zhang, Lei Wang, Yang Wang, Luping Zhou, Jianjia Zhang, Peng
Wang, and Fang Chen
- Abstract要約: 本研究は,従来は画像検索について十分な研究が行われていなかった,別のアプローチを考察する。
自己教師付き学習のための画像領域を生成するためにオブジェクト提案ジェネレータを追加することで、探索対象のデータセットに固有の特徴表現をうまく学習することができる。
実験的に検証されたように、このような単純な自己教師付き学習と自己ブーティングのアプローチは、関連する最先端の検索手法とよく競合する。
- 参考スコア（独自算出の注目度）: 26.59077238274763
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quality feature representation is key to instance image retrieval. To attain
it, existing methods usually resort to a deep model pre-trained on benchmark
datasets or even fine-tune the model with a task-dependent labelled auxiliary
dataset. Although achieving promising results, this approach is restricted by
two issues: 1) the domain gap between benchmark datasets and the dataset of a
given retrieval task; 2) the required auxiliary dataset cannot be readily
obtained. In light of this situation, this work looks into a different approach
which has not been well investigated for instance image retrieval previously:
{can we learn feature representation \textit{specific to} a given retrieval
task in order to achieve excellent retrieval?} Our finding is encouraging. By
adding an object proposal generator to generate image regions for
self-supervised learning, the investigated approach can successfully learn
feature representation specific to a given dataset for retrieval. This
representation can be made even more effective by boosting it with image
similarity information mined from the dataset. As experimentally validated,
such a simple ``self-supervised learning + self-boosting'' approach can well
compete with the relevant state-of-the-art retrieval methods. Ablation study is
conducted to show the appealing properties of this approach and its limitation
on generalisation across datasets.
- Abstract（参考訳）: 品質特徴表現は、インスタンス画像検索の鍵となる。
これを実現するために、既存のメソッドは通常、ベンチマークデータセットで事前トレーニングされたディープモデル、あるいはタスク依存のラベル付き補助データセットでモデルを微調整する。
有望な結果を達成する一方で、このアプローチは2つの問題によって制限されている。
1) ベンチマークデータセットと所定の検索タスクのデータセットとのドメイン間ギャップ
2) 必要な補助データセットは容易に取得できない。
この状況を踏まえて、この研究は、例えば画像検索などでは十分に研究されていない別のアプローチに目を向ける。 { 優れた検索を実現するために、与えられた検索タスクの特徴表現 \textit{specific to} を学習できるか?
} 私たちの発見は励みになります。
自己教師付き学習のための画像領域を生成するためにオブジェクト提案ジェネレータを追加することで、探索対象のデータセットに固有の特徴表現をうまく学習することができる。
この表現は、データセットから抽出された画像類似性情報により、さらに効果的にすることができる。
実験的に検証されたように、このような単純な‘self-supervised learning + self-boosting’アプローチは、関連する最先端の検索手法とよく競合する。
アブレーション研究は、このアプローチの魅力とデータセット全体の一般化の限界を示すために行われる。
関連論文リスト
- The Battleship Approach to the Low Resource Entity Matching Problem [0.0]
本稿では,エンティティマッチング問題に対する新しいアクティブな学習手法を提案する。
我々は、エンティティマッチングのユニークな特性を利用する選択メカニズムに焦点を当てる。
実験により,提案アルゴリズムは,最先端のアクティブ・ラーニング・ソリューションより低リソース・エンティティ・マッチングに優れることを示した。
論文 参考訳（メタデータ） (2023-11-27T10:18:17Z) - Object-Centric Open-Vocabulary Image-Retrieval with Aggregated Features [12.14013374452918]
本稿では,オブジェクト中心のオープン語彙画像検索に対して,シンプルながら効果的なアプローチを提案する。
提案手法は,CLIPから抽出した濃密な埋め込みをコンパクトな表現に集約する。
3つのデータセットのグローバルな特徴的アプローチよりもはるかに優れた結果を得ることで,タスクに対する提案手法の有効性を示す。
論文 参考訳（メタデータ） (2023-09-26T15:13:09Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳（メタデータ） (2023-07-07T04:03:48Z) - Example-Based Explainable AI and its Application for Remote Sensing
Image Classification [0.0]
入力データに類似したトレーニングデータセットのインスタンスの例を示す。
センチネル2衛星からのリモートセンシング画像データセットを用いて、この概念が実証された。
論文 参考訳（メタデータ） (2023-02-03T03:48:43Z) - Semi-Supervised Image Captioning by Adversarially Propagating Labeled
Data [95.0476489266988]
本稿では、画像キャプションモデルの一般化を改善するための、新しいデータ効率半教師付きフレームワークを提案する。
提案手法は,キャプタにペアデータから学習し,段階的に未ペアデータの関連付けを行うよう訓練する。
1)画像ベースと(2)高密度領域ベースキャプションデータセットの両方を総合的かつ包括的な実験結果とし,それに続いて,少ないペアリングデータセットの包括的分析を行った。
論文 参考訳（メタデータ） (2023-01-26T15:25:43Z) - Fusing Local Similarities for Retrieval-based 3D Orientation Estimation
of Unseen Objects [70.49392581592089]
我々は,モノクロ画像から未確認物体の3次元配向を推定する作業に取り組む。
我々は検索ベースの戦略に従い、ネットワークがオブジェクト固有の特徴を学習するのを防ぐ。
また,LineMOD,LineMOD-Occluded,T-LESSのデータセットを用いた実験により,本手法が従来の手法よりもはるかに優れた一般化をもたらすことが示された。
論文 参考訳（メタデータ） (2022-03-16T08:53:00Z) - Learning Co-segmentation by Segment Swapping for Retrieval and Discovery [67.6609943904996]
この研究の目的は、一対のイメージから視覚的に類似したパターンを効率的に識別することである。
画像中のオブジェクトセグメントを選択し、それを別の画像にコピーペーストすることで、合成トレーニングペアを生成する。
提案手法は,Brueghelデータセット上でのアートワークの詳細検索に対して,明確な改善をもたらすことを示す。
論文 参考訳（メタデータ） (2021-10-29T16:51:16Z) - Exploiting the relationship between visual and textual features in
social networks for image classification with zero-shot deep learning [0.0]
本稿では,CLIPニューラルネットワークアーキテクチャの伝達可能な学習能力に基づく分類器アンサンブルを提案する。
本研究は,Placesデータセットのラベルによる画像分類タスクに基づいて,視覚的部分のみを考慮した実験である。
画像に関連付けられたテキストを考えることは、目標に応じて精度を向上させるのに役立つ。
論文 参考訳（メタデータ） (2021-07-08T10:54:59Z) - Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。
提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。
我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文 参考訳（メタデータ） (2021-07-01T09:26:13Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳（メタデータ） (2020-07-11T10:57:45Z)
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。