論文の概要: A patch-based architecture for multi-label classification from single label annotations

• arxiv url: http://arxiv.org/abs/2209.06530v1
• Date: Wed, 14 Sep 2022 10:08:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 13:31:54.112429
• Title: A patch-based architecture for multi-label classification from single label annotations
• Title（参考訳）: 単一ラベルアノテーションによるマルチラベル分類のためのパッチベースアーキテクチャ
• Authors: Warren Jouanneau and Aur\'elie Bugeau and Marc Palyart and Nicolas Papadakis and Laurent V\'ezard
• Abstract要約: 画像に1つの正のラベルしか表示されないマルチラベル分類問題に対するパッチベースのアーキテクチャを提案する。 ネガティブな事例を推定し、肯定的かつラベルなしの学習問題に対処するための新しい戦略を提供する。
• 参考スコア（独自算出の注目度）: 7.3297285668397585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a patch-based architecture for multi-label classification problems where only a single positive label is observed in images of the dataset. Our contributions are twofold. First, we introduce a light patch architecture based on the attention mechanism. Next, leveraging on patch embedding self-similarities, we provide a novel strategy for estimating negative examples and deal with positive and unlabeled learning problems. Experiments demonstrate that our architecture can be trained from scratch, whereas pre-training on similar databases is required for related methods from the literature.
• Abstract（参考訳）: 本稿では,データセットのイメージに単一の正のラベルのみを観測するマルチラベル分類問題に対するパッチベースアーキテクチャを提案する。 私たちの貢献は2倍です。 まず,注意機構に基づくライトパッチアーキテクチャを提案する。 次に,パッチ埋め込み自己相似性を活用して,負の例を推定し,肯定的かつラベルなしの学習問題に対処するための新しい戦略を提案する。 同様のデータベースで事前トレーニングを行うには,文献から関連する方法が必要となるが,実験によりアーキテクチャをスクラッチからトレーニングできることが示されている。

関連論文リスト

• Estimating Noisy Class Posterior with Part-level Labels for Noisy Label Learning [13.502549812291878]
  既存の手法は通常、ノイズのあるラベルを持つ分類モデルを訓練することで、ノイズの多いクラス後部を学習する。 本稿では,教師付き情報をパートレベルのラベルで強化し,様々な部分からよりリッチな情報に集中・統合することをモデルに推奨する。 提案手法は理論的に健全であり,実験結果から合成および実世界の雑音評価において実験的に有効であることが示された。
  論文  参考訳（メタデータ） (2024-05-08T12:13:40Z)
• Resolving label uncertainty with implicit posterior models [71.62113762278963]
  本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。 異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
  論文  参考訳（メタデータ） (2022-02-28T18:09:44Z)
• Label Hallucination for Few-Shot Classification [40.43730385915566]
  ほとんどショットの分類では、新しい未知のクラスを認識するために、大きな注釈付きベースデータセットから学んだ知識を適応する必要がある。 これら2つの戦略に代替的なアプローチを提案する。 提案手法は, 精度の高い4つの複数ショット分類ベンチマークにおいて, 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） (2021-12-06T20:18:41Z)
• Noisy Labels Can Induce Good Representations [53.47668632785373]
  アーキテクチャがノイズラベルによる学習に与える影響について検討する。 ノイズラベルを用いたトレーニングは,モデルが一般化に乏しい場合でも,有用な隠れ表現を誘導できることを示す。 この発見は、騒々しいラベルで訓練されたモデルを改善する簡単な方法につながります。
  論文  参考訳（メタデータ） (2020-12-23T18:58:05Z)
• 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)
• Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
  数発の分類問題の調査に2つの貢献をしている。 本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。 本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
  論文  参考訳（メタデータ） (2020-08-10T11:28:52Z)
• Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
  弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。 これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。 本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-03-02T13:59:41Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。