論文の概要: Label Structure Preserving Contrastive Embedding for Multi-Label
Learning with Missing Labels
- arxiv url: http://arxiv.org/abs/2209.01314v1
- Date: Sat, 3 Sep 2022 02:44:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 12:57:31.167091
- Title: Label Structure Preserving Contrastive Embedding for Multi-Label
Learning with Missing Labels
- Title（参考訳）: ラベルを欠くマルチラベル学習のためのコントラスト埋め込みを保存するラベル構造
- Authors: Zhongchen Ma, Lisha Li, Qirong Mao and Songcan Chen
- Abstract要約: 欠落ラベルを識別するためのラベル補正機構を導入し、欠落ラベル(CLML)を用いた多ラベル画像分類において、ユニークなコントラスト損失を定義する。
既存のマルチラベルCLの損失とは異なり、CLMLは潜在表現空間における低ランクなグローバルおよびローカルなラベル依存性も保持する。
提案した戦略は、3つの標準データセットでそれぞれ1.2%、1.6%、および1.3%のマージンでResnet101モデルの分類性能を改善することが示されている。
- 参考スコア（独自算出の注目度）: 30.79809627981242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contrastive learning (CL) has shown impressive advances in image
representation learning in whichever supervised multi-class classification or
unsupervised learning. However, these CL methods fail to be directly adapted to
multi-label image classification due to the difficulty in defining the positive
and negative instances to contrast a given anchor image in multi-label
scenario, let the label missing one alone, implying that borrowing a
commonly-used way from contrastive multi-class learning to define them will
incur a lot of false negative instances unfavorable for learning. In this
paper, with the introduction of a label correction mechanism to identify
missing labels, we first elegantly generate positives and negatives for
individual semantic labels of an anchor image, then define a unique contrastive
loss for multi-label image classification with missing labels (CLML), the loss
is able to accurately bring images close to their true positive images and
false negative images, far away from their true negative images. Different from
existing multi-label CL losses, CLML also preserves low-rank global and local
label dependencies in the latent representation space where such dependencies
have been shown to be helpful in dealing with missing labels. To the best of
our knowledge, this is the first general multi-label CL loss in the
missing-label scenario and thus can seamlessly be paired with those losses of
any existing multi-label learning methods just via a single hyperparameter. The
proposed strategy has been shown to improve the classification performance of
the Resnet101 model by margins of 1.2%, 1.6%, and 1.3% respectively on three
standard datasets, MSCOCO, VOC, and NUS-WIDE. Code is available at
https://github.com/chuangua/ContrastiveLossMLML.
- Abstract（参考訳）: コントラスト学習(CL)は,多クラス分類や教師なし学習を指導する画像表現学習において,顕著な進歩を見せている。
しかし、これらのclメソッドは、与えられたアンカーイメージをマルチラベルシナリオでコントラストするために、正のインスタンスと負のインスタンスを定義することが困難であるため、直接マルチラベルイメージ分類に適応できない。
本稿では,誤りラベルを識別するためのラベル補正機構を導入することで,まずアンカー画像の個々の意味ラベルに対する正と負をエレガントに生成し,その後,誤りラベル(clml)を用いたマルチラベル画像分類における一意なコントラスト損失を定義する。
既存のマルチラベルCLの損失とは違って、CLMLは、欠落したラベルを扱うのに役立つことが示されている潜在表現空間において、低ランクのグローバルおよびローカルなラベル依存を保存している。
我々の知る限り、これは欠落したラベルシナリオにおける最初の一般的なマルチラベルCL損失であり、単一のハイパーパラメータだけで既存のマルチラベル学習手法の損失とシームレスにペアリングすることができる。
提案手法は,3つの標準データセットであるMSCOCO,VOC,NAS-WIDEでそれぞれ1.2%,1.6%,1.3%のマージンでResnet101モデルの分類性能を向上させる。
コードはhttps://github.com/chuangua/ContrastiveLossMLMLで入手できる。
関連論文リスト
- Multi-label Cluster Discrimination for Visual Representation Learning [27.552024985952166]
本稿では,表現学習を強化するため,MLCDと呼ばれる新しいマルチラベルクラスタ識別手法を提案する。
本手法は,線形プローブ,ゼロショット分類,画像テキスト検索など,複数の下流タスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2024-07-24T14:54:16Z) - 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) - 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) - PLMCL: Partial-Label Momentum Curriculum Learning for Multi-Label Image
Classification [25.451065364433028]
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。
論文 参考訳（メタデータ） (2022-08-22T01:23:08Z) - Dual-Perspective Semantic-Aware Representation Blending for Multi-Label
Image Recognition with Partial Labels [70.36722026729859]
本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。
提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
論文 参考訳（メタデータ） (2022-05-26T00:33:44Z) - 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) - Semantic-Aware Representation Blending for Multi-Label Image Recognition
with Partial Labels [86.17081952197788]
そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。
MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
論文 参考訳（メタデータ） (2022-03-04T07:56:16Z) - 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) - Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
超高解像度画像のための混合監視学習フレームワークを提案する。
パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。
画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
論文 参考訳（メタデータ） (2021-07-02T09:46:06Z) - 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。