論文の概要: CORE: Learning Consistent Ordinal REpresentations for Image Ordinal Estimation

• arxiv url: http://arxiv.org/abs/2301.06122v1
• Date: Sun, 15 Jan 2023 15:42:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 17:11:59.577099
• Title: CORE: Learning Consistent Ordinal REpresentations for Image Ordinal Estimation
• Title（参考訳）: core: 画像順序推定のための一貫した順序表現の学習
• Authors: Yiming Lei, Zilong Li, Yangyang Li, Junping Zhang, Hongming Shan
• Abstract要約: 本稿では,本研究の基盤となるラベルに存在する順序関係から,本質的な一貫性のある順序表現(CORE)を学習することを提案する。 COREは、順序付き潜在空間を正確に構築し、より優れた結果を得るために既存の深い順序付き回帰法を大幅に強化することができる。
• 参考スコア（独自算出の注目度）: 35.39143939072549
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of image ordinal estimation is to estimate the ordinal label of a given image with a convolutional neural network. Existing methods are mainly based on ordinal regression and particularly focus on modeling the ordinal mapping from the feature representation of the input to the ordinal label space. However, the manifold of the resultant feature representations does not maintain the intrinsic ordinal relations of interest, which hinders the effectiveness of the image ordinal estimation. Therefore, this paper proposes learning intrinsic Consistent Ordinal REpresentations (CORE) from ordinal relations residing in groundtruth labels while encouraging the feature representations to embody the ordinal low-dimensional manifold. First, we develop an ordinal totally ordered set (toset) distribution (OTD), which can (i) model the label embeddings to inherit ordinal information and measure distances between ordered labels of samples in a neighborhood, and (ii) model the feature embeddings to infer numerical magnitude with unknown ordinal information among the features of different samples. Second, through OTD, we convert the feature representations and labels into the same embedding space for better alignment, and then compute the Kullback Leibler (KL) divergence between the ordinal labels and feature representations to endow the latent space with consistent ordinal relations. Third, we optimize the KL divergence through ordinal prototype-constrained convex programming with dual decomposition; our theoretical analysis shows that we can obtain the optimal solutions via gradient backpropagation. Extensive experimental results demonstrate that the proposed CORE can accurately construct an ordinal latent space and significantly enhance existing deep ordinal regression methods to achieve better results.
• Abstract（参考訳）: 画像順序推定の目標は、畳み込みニューラルネットワークを用いて、与えられた画像の順序ラベルを推定することである。 既存の手法は主に順序回帰に基づいており、特に入力の特徴表現から順序ラベル空間への順序写像のモデル化に重点を置いている。 しかし、結果として得られる特徴表現の多様体は、本質的な順序関係を保たず、画像の順序推定の有効性を妨げている。 そこで本論文では,低次元多様体を具体化する特徴表現を奨励しながら,基底ラベルに存在する順序関係から本質的一貫した順序表現(コア)を学ぶことを提案する。 まず、順序付き全順序集合(toset)分布(OTD)を開発し、これを適用できる。 (i)ラベル埋め込みをモデル化し、順序情報を継承し、近隣のサンプルの順序ラベル間の距離を測定する。 (ii) 異なるサンプルの特徴の中で未知の順序情報を持つ数値等級を推定するために埋め込みされた特徴をモデル化する。 第二に、otd を通じて特徴表現とラベルを同じ埋め込み空間に変換してアライメントを良くし、順序ラベルと特徴表現の間のkullback leibler (kl) の発散を計算し、一貫した順序関係を持つ潜在空間を与える。 第3に、順序付きプロトタイプ制約付き凸計画によるKL分散を2次分解で最適化し、この理論解析により勾配バックプロパゲーションによる最適解が得られることを示す。 広範な実験結果から,提案するコアは順序的潜在空間を正確に構築でき,より優れた結果を得るために既存の深層順序回帰法を大幅に向上できることが示された。

関連論文リスト

• Learning Ordinality in Semantic Segmentation [3.017721041662511]
  瞳孔は虹彩の中にあり、車線標識は道路の内側にあることが知られている。 従来のディープラーニングモデルは、手元にドメインに存在する可能性のある順序関係を生かしていない。 本稿では,各画素を独立観察として扱い,その表現における順序性を促進する画素単位の順序分節法を提案する。
  論文  参考訳（メタデータ） (2024-07-30T16:36:15Z)
• Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
  トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。 また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。 提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
  論文  参考訳（メタデータ） (2023-01-15T16:19:18Z)
• Multilevel orthogonal Bochner function subspaces with applications to robust machine learning [1.533771872970755]
  このデータを、関連するボヒナー空間内のランダムフィールドのインスタンスとみなす。 私たちのキーとなる観察は、クラスが主に2つの異なる部分空間に存在することである。
  論文  参考訳（メタデータ） (2021-10-04T22:01:01Z)
• Articulated Shape Matching Using Laplacian Eigenfunctions and Unsupervised Point Registration [38.16866987817019]
  スペクトルグラフ理論は、これらのグラフを低次元空間にマッピングし、それらの埋め込みを整列させることで形状と一致させることができる。 我々は、ラプラシア行列の固有関数の最適部分集合を選択することによって、2つの同値な$K$-次元の点集合の最良の整合を求める新しい定式化を導出する。
  論文  参考訳（メタデータ） (2020-12-14T08:49:25Z)
• Convolutional Ordinal Regression Forest for Image Ordinal Estimation [52.67784321853814]
  我々は、画像の順序性評価のために、コンボリューショナル・オーディショナル・レグレッション・フォレスト(CORF)と呼ばれる新しいオーディショナル・レグレッション・アプローチを提案する。 提案したCORFは、順序回帰と微分可能な決定木を畳み込みニューラルネットワークと統合し、正確なグローバル順序関係と安定なグローバル順序関係を得る。 提案手法の有効性は,2つの画像順序推定課題において検証され,最先端の順序回帰法に対する大幅な改善と安定性が示された。
  論文  参考訳（メタデータ） (2020-08-07T10:41:17Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。