論文の概要: Graph based Label Enhancement for Multi-instance Multi-label learning

• arxiv url: http://arxiv.org/abs/2304.10705v1
• Date: Fri, 21 Apr 2023 02:24:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-24 16:06:25.697193
• Title: Graph based Label Enhancement for Multi-instance Multi-label learning
• Title（参考訳）: マルチインスタンスマルチラベル学習のためのグラフベースラベル強調
• Authors: Houcheng Su, Jintao Huang, Daixian Liu, Rui Yan, Jiao Li, Chi-man Vong
• Abstract要約: マルチインスタンス・マルチラベル(MIML)学習は多くの領域で広く適用されている。 本稿では,グラフラベルの強化,すなわちGLEMIMLに基づく新しいMIMLフレームワークを提案し,MIMLの分類性能を向上させる。
• 参考スコア（独自算出の注目度）: 20.178466198202376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-instance multi-label (MIML) learning is widely applicated in numerous domains, such as the image classification where one image contains multiple instances correlated with multiple logic labels simultaneously. The related labels in existing MIML are all assumed as logical labels with equal significance. However, in practical applications in MIML, significance of each label for multiple instances per bag (such as an image) is significant different. Ignoring labeling significance will greatly lose the semantic information of the object, so that MIML is not applicable in complex scenes with a poor learning performance. To this end, this paper proposed a novel MIML framework based on graph label enhancement, namely GLEMIML, to improve the classification performance of MIML by leveraging label significance. GLEMIML first recognizes the correlations among instances by establishing the graph and then migrates the implicit information mined from the feature space to the label space via nonlinear mapping, thus recovering the label significance. Finally, GLEMIML is trained on the enhanced data through matching and interaction mechanisms. GLEMIML (AvgRank: 1.44) can effectively improve the performance of MIML by mining the label distribution mechanism and show better results than the SOTA method (AvgRank: 2.92) on multiple benchmark datasets.
• Abstract（参考訳）: マルチインスタンス・マルチラベル(MIML)学習は、複数の論理ラベルと同時に相関する複数のインスタンスを含む画像分類など、多くの領域で広く応用されている。 既存のMIMLの関連ラベルはすべて、同じ意味を持つ論理ラベルとして仮定される。 しかし、MIMLの実践的な応用では、バッグごとの複数のインスタンス(画像など)に対するラベルの重要性は著しく異なる。 ラベル付けの重要さを無視すると、オブジェクトの意味情報が大幅に失われ、MIMLは学習性能が劣る複雑な場面では適用できない。 そこで本稿では,グラフラベルの強調,すなわちGLEMIMLに基づく新しいMIMLフレームワークを提案し,ラベルの意義を生かしてMIMLの分類性能を向上させる。 GLEMIMLはまず、グラフを確立することによってインスタンス間の相関を認識し、次に、特徴空間から抽出された暗黙の情報を非線形マッピングによりラベル空間に移行し、ラベルの意義を回復する。 最後に、GLEMIMLはマッチングとインタラクションメカニズムを通じて強化されたデータに基づいて訓練される。 GLEMIML (AvgRank: 1.44) はラベル分布機構をマイニングすることでMIMLの性能を効果的に向上し、複数のベンチマークデータセット上でSOTA法 (AvgRank: 2.92) よりも優れた結果を示す。

関連論文リスト

• Exploiting Conjugate Label Information for Multi-Instance Partial-Label Learning [61.00359941983515]
  MIPL(Multi-instance partial-label Learning)は、各トレーニングサンプルが1つの真のラベルといくつかの偽陽性を含む候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現されるシナリオに対処する。 ELIMIPLは共役ラベル情報を利用して曖昧性を改善する。
  論文  参考訳（メタデータ） (2024-08-26T15:49:31Z)
• Scalable Label Distribution Learning for Multi-Label Classification [43.52928088881866]
  マルチラベル分類(MLC、Multi-label classification)とは、あるインスタンスに関連ラベルのセットをタグ付けする問題を指す。 既存のMLC法の多くは、ラベルペア内の2つのラベルの相関が対称であるという仮定に基づいている。 既存のほとんどの手法はラベル数に関連する学習プロセスを設計しており、大規模な出力空間にスケールアップする際の計算複雑性をボトルネックにしている。
  論文  参考訳（メタデータ） (2023-11-28T06:52:53Z)
• Disambiguated Attention Embedding for Multi-Instance Partial-Label Learning [68.56193228008466]
  多くの実世界のタスクでは、関連するオブジェクトは、候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現することができる。 既存のMIPLアプローチは、各インスタンスに拡張候補ラベルセットを割り当て、インスタンスレベルのラベルからバッグレベルのラベルを集約することで、インスタンス空間のパラダイムに従っている。 本稿では,DEMIPLという直感的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-26T13:25:17Z)
• Complementary to Multiple Labels: A Correlation-Aware Correction Approach [65.59584909436259]
  理論上, マルチクラスCLLにおける遷移行列が, 複数ラベルの場合どのように歪むかを示す。 候補ラベルから遷移行列を推定する2段階の手法を提案する。
  論文  参考訳（メタデータ） (2023-02-25T04:48:48Z)
• Multi-Instance Partial-Label Learning: Towards Exploiting Dual Inexact Supervision [53.530957567507365]
  実世界のタスクでは、各トレーニングサンプルは、1つの基底真実ラベルといくつかの偽陽性ラベルを含む候補ラベルセットに関連付けられている。 本稿では,Multi-instance partial-label learning (MIPL) などの問題を定式化する。 既存のマルチインスタンス学習アルゴリズムと部分ラベル学習アルゴリズムはMIPL問題の解法に最適である。
  論文  参考訳（メタデータ） (2022-12-18T03:28:51Z)
• Class-Incremental Lifelong Learning in Multi-Label Classification [3.711485819097916]
  本稿では、連続したマルチラベル分類データストリームにオンラインのクラスインクリメンタル分類器を構築する、Lifelong Multi-Label (LML)分類について検討する。 そこで本研究では,AGCN (Augmented Graph Convolutional Network) を提案する。
  論文  参考訳（メタデータ） (2022-07-16T05:14:07Z)
• Large Loss Matters in Weakly Supervised Multi-Label Classification [50.262533546999045]
  まず、観測されていないラベルを負のラベルとみなし、Wタスクをノイズの多いマルチラベル分類にキャストする。 ノイズラベルを記憶しないために,大規模な損失サンプルを拒絶または補正する新しいW法を提案する。 提案手法は, 弱教師付きマルチラベル分類において, 大きな損失を適切に処理することが重要であることを検証した。
  論文  参考訳（メタデータ） (2022-06-08T08:30:24Z)
• 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)
• MetaMIML: Meta Multi-Instance Multi-Label Learning [27.32606468640938]
  異なるタイプの相互依存型MIMLオブジェクトをマイニングするためのネットワーク埋め込みとメタラーニングに基づくアプローチを提案する。 ベンチマークデータセットの実験では、MetaMIMLは最先端のアルゴリズムよりも大幅にパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2021-11-07T15:54:52Z)

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。