論文の概要: PLMCL: Partial-Label Momentum Curriculum Learning for Multi-Label Image
Classification
- arxiv url: http://arxiv.org/abs/2208.09999v1
- Date: Mon, 22 Aug 2022 01:23:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 13:30:59.790584
- Title: PLMCL: Partial-Label Momentum Curriculum Learning for Multi-Label Image
Classification
- Title（参考訳）: PLMCL:マルチラベル画像分類のための部分ラベルモーメント学習
- Authors: Rabab Abdelfattah, Xin Zhang, Zhenyao Wu, Xinyi Wu, Xiaofeng Wang, and
Song Wang
- Abstract要約: マルチラベル画像分類は、画像内の全ての可能なラベルを予測することを目的としている。
既存の部分ラベル学習の研究は、各トレーニングイメージがラベルのサブセットでアノテートされている場合に焦点を当てている。
本稿では,トレーニング画像のサブセットのみをラベル付けした新たな部分ラベル設定を提案する。
- 参考スコア（独自算出の注目度）: 25.451065364433028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-label image classification aims to predict all possible labels in an
image. It is usually formulated as a partial-label learning problem, given the
fact that it could be expensive in practice to annotate all labels in every
training image. Existing works on partial-label learning focus on the case
where each training image is annotated with only a subset of its labels. A
special case is to annotate only one positive label in each training image. To
further relieve the annotation burden and enhance the performance of the
classifier, this paper proposes a new partial-label setting in which only a
subset of the training images are labeled, each with only one positive label,
while the rest of the training images remain unlabeled. To handle this new
setting, we propose an end-to-end deep network, PLMCL (Partial Label Momentum
Curriculum Learning), that can learn to produce confident pseudo labels for
both partially-labeled and unlabeled training images. The novel momentum-based
law updates soft pseudo labels on each training image with the consideration of
the updating velocity of pseudo labels, which help avoid trapping to
low-confidence local minimum, especially at the early stage of training in lack
of both observed labels and confidence on pseudo labels. In addition, we
present a confidence-aware scheduler to adaptively perform easy-to-hard
learning for different labels. Extensive experiments demonstrate that our
proposed PLMCL outperforms many state-of-the-art multi-label classification
methods under various partial-label settings on three different datasets.
- Abstract（参考訳）: マルチラベル画像分類は、画像内の全ての可能なラベルを予測することを目的としている。
訓練画像のすべてのラベルに注釈を付けるのにコストがかかるという事実から、通常は部分ラベル学習問題として定式化される。
既存の部分ラベル学習の研究は、各トレーニングイメージがラベルのサブセットのみでアノテートされた場合に焦点を当てている。
特別なケースは、各トレーニング画像に1つの正のラベルをアノテートすることである。
本稿では,アノテーションの負担をさらに軽減し,分類器の性能を向上させるために,訓練画像のサブセットのみをラベル付けし,それぞれに正のラベルを1つだけ付け,残りの部分をラベル付けしない,新たな部分ラベル設定を提案する。
この新たな設定を扱うために,PLMCL (Partial Label Momentum Curriculum Learning) というエンド・ツー・エンドのディープ・ネットワークを提案する。
この新しい運動量に基づく法は, 擬似ラベルの更新速度を考慮した各訓練画像のソフト擬似ラベルを更新することにより, 特に観測されたラベルの欠如と疑似ラベルの信頼性の欠如により, 信頼性の低い局所最小値へのトラッピングを回避する。
さらに,異なるラベルに対して適応的に学習を行うための信頼度対応スケジューラを提案する。
大規模実験により,提案するplmclは,3つの異なるデータセットの様々な部分ラベル設定において,最先端のマルチラベル分類手法に勝ることが証明された。
関連論文リスト
- Determined Multi-Label Learning via Similarity-Based Prompt [12.428779617221366]
マルチラベル分類では、各トレーニングインスタンスは複数のクラスラベルに同時に関連付けられている。
この問題を軽減するために,textitDetermined Multi-Label Learning (DMLL) と呼ばれる新しいラベル設定を提案する。
論文 参考訳（メタデータ） (2024-03-25T07:08:01Z) - Vision-Language Pseudo-Labels for Single-Positive Multi-Label Learning [11.489541220229798]
一般的なマルチラベル学習では、モデルは単一の入力画像に対して複数のラベルやカテゴリを予測することを学習する。
これは、タスクがイメージの多くの可能なラベルから単一のラベルを予測している、標準的なマルチクラスイメージ分類とは対照的である。
論文 参考訳（メタデータ） (2023-10-24T16:36:51Z) - Distilling Self-Supervised Vision Transformers for Weakly-Supervised
Few-Shot Classification & Segmentation [58.03255076119459]
視覚変換器(ViT)を利用した弱教師付き小ショット画像分類とセグメンテーションの課題に対処する。
提案手法は,自己監督型ViTからトークン表現を抽出し,その相関関係を利用して分類とセグメンテーションの予測を行う。
Pascal-5iとCOCO-20iの実験は、様々な監視設定において大きなパフォーマンス向上を示した。
論文 参考訳（メタデータ） (2023-07-07T06:16:43Z) - Pseudo Labels for Single Positive Multi-Label Learning [0.0]
単一正のマルチラベル学習(SPML)はコスト効率の良いソリューションであり、モデルがイメージ毎にひとつの正のラベルでトレーニングされる。
本研究では,1つの正のデータを完全なラベル付きデータに変換する手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T17:21:42Z) - Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。
我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
論文 参考訳（メタデータ） (2023-05-22T04:50:28Z) - G2NetPL: Generic Game-Theoretic Network for Partial-Label Image
Classification [14.82038002764209]
マルチラベル画像分類は、画像内の全ての可能なラベルを予測することを目的としている。
既存の部分ラベル学習の研究は、各トレーニングイメージが正負のラベルのサブセットでラベル付けされている場合に焦点を当てている。
本稿では、部分ラベル学習のためのエンドツーエンドのジェネリックゲーム理論ネットワーク(G2NetPL)を提案する。
論文 参考訳（メタデータ） (2022-10-20T17:59:21Z) - One Positive Label is Sufficient: Single-Positive Multi-Label Learning
with Label Enhancement [71.9401831465908]
本研究では,SPMLL (Single- positive multi-label learning) について検討した。
ラベルエンハンスメントを用いた単陽性MultIラベル学習という新しい手法を提案する。
ベンチマークデータセットの実験により,提案手法の有効性が検証された。
論文 参考訳（メタデータ） (2022-06-01T14:26:30Z) - 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) - Structured Semantic Transfer for Multi-Label Recognition with Partial
Labels [85.6967666661044]
部分ラベル付きマルチラベル認識モデルのトレーニングを可能にする構造化意味伝達(SST)フレームワークを提案する。
このフレームワークは2つの相補的なトランスファーモジュールから構成され、インテリアイメージとクロスイメージセマンティック相関を探索する。
Microsoft COCO、Visual Genome、Pascal VOCデータセットの実験は、提案されたSSTフレームワークが現在の最先端アルゴリズムよりも優れたパフォーマンスが得られることを示している。
論文 参考訳（メタデータ） (2021-12-21T02:15:01Z) - Multi-Label Learning from Single Positive Labels [37.17676289125165]
与えられた画像に対して適用可能なラベルを全て予測することは、マルチラベル分類(multi-label classification)として知られている。
その結果,ラベルの確認が著しく少ないにもかかわらず,完全ラベル付き分類器の性能にアプローチできることが示唆された。
論文 参考訳（メタデータ） (2021-06-17T17:58:04Z) - 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。