論文の概要: Probabilistic Debiasing of Scene Graphs
- arxiv url: http://arxiv.org/abs/2211.06444v1
- Date: Fri, 11 Nov 2022 19:06:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 17:59:24.208717
- Title: Probabilistic Debiasing of Scene Graphs
- Title(参考訳): シーングラフの確率的劣化
- Authors: Bashirul Azam Biswas and Qiang Ji
- Abstract要約: 最先端(SOTA)モデルによって生成されたシーングラフの品質は、関係と親オブジェクトペアの長い尾の性質によって損なわれている。
我々は,関係ラベルのオブジェクト条件分布を保存し,関係の限界確率によって生じるバイアスを根絶するために,ストリップレット内ベイズネットワーク(BN)に組み込まれた仮想エビデンスを提案する。
- 参考スコア(独自算出の注目度): 43.111851503211724
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The quality of scene graphs generated by the state-of-the-art (SOTA) models
is compromised due to the long-tail nature of the relationships and their
parent object pairs. Training of the scene graphs is dominated by the majority
relationships of the majority pairs and, therefore, the object-conditional
distributions of relationship in the minority pairs are not preserved after the
training is converged. Consequently, the biased model performs well on more
frequent relationships in the marginal distribution of relationships such as
`on' and `wearing', and performs poorly on the less frequent relationships such
as `eating' or `hanging from'. In this work, we propose virtual evidence
incorporated within-triplet Bayesian Network (BN) to preserve the
object-conditional distribution of the relationship label and to eradicate the
bias created by the marginal probability of the relationships. The insufficient
number of relationships in the minority classes poses a significant problem in
learning the within-triplet Bayesian network. We address this insufficiency by
embedding-based augmentation of triplets where we borrow samples of the
minority triplet classes from its neighborhood triplets in the semantic space.
We perform experiments on two different datasets and achieve a significant
improvement in the mean recall of the relationships. We also achieve better
balance between recall and mean recall performance compared to the SOTA
de-biasing techniques of scene graph models.
- Abstract(参考訳): 最先端(SOTA)モデルによって生成されたシーングラフの品質は、関係と親オブジェクトペアの長い尾の性質によって損なわれる。
シーングラフの訓練は、多数対の多数派関係に支配されており、訓練が収束した後は、少数対における関係の客条件分布は保存されない。
その結果、偏りのあるモデルは「on」や「wearing」といった関係の限界分布におけるより頻繁な関係をよく行い、「eating」や「hanging from」といったあまり頻繁でない関係をうまく処理しない。
本研究では,関係ラベルのオブジェクト条件分布を保存し,関係の限界確率によって生じるバイアスを根絶するために,ストリップレット内ベイズネットワーク(BN)を組み込んだ仮想証拠を提案する。
マイノリティクラスにおける関係性の不足は、トリップレット内ベイズネットワークの学習において重大な問題を引き起こす。
我々は、三重項の埋め込みに基づく拡張により、この不足に対処し、意味空間内の近傍三重項から少数三重項クラスのサンプルを借りる。
2つの異なるデータセットで実験を行い,関係の想起を平均的に改善した。
また,シーングラフモデルのSOTAデバイアス手法と比較して,リコール性能と平均リコール性能のバランスが良くなった。
関連論文リスト
- RelVAE: Generative Pretraining for few-shot Visual Relationship
Detection [2.2230760534775915]
本研究は,注釈付き関係を必要としない数発述語分類のための最初の事前学習手法を提案する。
VG200とVRDのデータセットについて,数発のトレーニング分割を構築し,定量的な実験を行った。
論文 参考訳(メタデータ) (2023-11-27T19:08:08Z) - Document-level Relation Extraction with Relation Correlations [15.997345900917058]
文書レベルの関係抽出は,長期問題と複数ラベル問題という,見落とされた2つの課題に直面している。
関係の共起相関を解析し,DocREタスクに初めて導入する。
論文 参考訳(メタデータ) (2022-12-20T11:17:52Z) - Learning Relation Prototype from Unlabeled Texts for Long-tail Relation
Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。
我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。
私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文 参考訳(メタデータ) (2020-11-27T06:21:12Z) - One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。
提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。
実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
論文 参考訳(メタデータ) (2020-10-23T03:24:44Z) - Learning to Decouple Relations: Few-Shot Relation Classification with
Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。
一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。
一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
論文 参考訳(メタデータ) (2020-10-21T11:07:53Z) - Improving Long-Tail Relation Extraction with Collaborating
Relation-Augmented Attention [63.26288066935098]
本稿では,ニューラルネットワーク,コラボレーティング・リレーショナル・アテンション(CoRA)を提案する。
一般的なベンチマークデータセットNYTの実験では、提案されたCoRAは、最先端のパフォーマンスを大きなマージンで改善する。
論文 参考訳(メタデータ) (2020-10-08T05:34:43Z) - Addressing Class Imbalance in Scene Graph Parsing by Learning to
Contrast and Score [65.18522219013786]
シーングラフ解析は、画像シーン内のオブジェクトを検出し、それらの関係を認識することを目的としている。
最近の手法は、いくつかの人気のあるベンチマークで高い平均スコアを達成しているが、稀な関係を検出するには失敗している。
本稿では,クラス不均衡問題を解決するために,分類とランキングの新たな統合フレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-28T13:57:59Z)
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。