論文の概要: Towards Effective Visual Representations for Partial-Label Learning
- arxiv url: http://arxiv.org/abs/2305.06080v1
- Date: Wed, 10 May 2023 12:01:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 13:20:23.072336
- Title: Towards Effective Visual Representations for Partial-Label Learning
- Title（参考訳）: 部分ラベル学習のための効果的な視覚表現に向けて
- Authors: Shiyu Xia, Jiaqi Lv, Ning Xu, Gang Niu, Xin Geng
- Abstract要約: 部分ラベル学習(PLL)では、トレーニングインスタンス毎に、未知の真のラベルを含むあいまいなラベルのセットのみがアクセス可能である。
真のラベルがなければ、正の点は本質的にノイズの多い擬似ラベルで予測され、負の点は大きなバッチや運動量エンコーダを必要とすることが多い。
本稿では,表現学習の改善のための重要なスコープを示す,最先端のコントラスト手法PiCO[PiPi24]を再考する。
- 参考スコア（独自算出の注目度）: 49.91355691337053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Under partial-label learning (PLL) where, for each training instance, only a
set of ambiguous candidate labels containing the unknown true label is
accessible, contrastive learning has recently boosted the performance of PLL on
vision tasks, attributed to representations learned by contrasting the
same/different classes of entities. Without access to true labels, positive
points are predicted using pseudo-labels that are inherently noisy, and
negative points often require large batches or momentum encoders, resulting in
unreliable similarity information and a high computational overhead. In this
paper, we rethink a state-of-the-art contrastive PLL method PiCO[24], inspiring
the design of a simple framework termed PaPi (Partial-label learning with a
guided Prototypical classifier), which demonstrates significant scope for
improvement in representation learning, thus contributing to label
disambiguation. PaPi guides the optimization of a prototypical classifier by a
linear classifier with which they share the same feature encoder, thus
explicitly encouraging the representation to reflect visual similarity between
categories. It is also technically appealing, as PaPi requires only a few
components in PiCO with the opposite direction of guidance, and directly
eliminates the contrastive learning module that would introduce noise and
consume computational resources. We empirically demonstrate that PaPi
significantly outperforms other PLL methods on various image classification
tasks.
- Abstract（参考訳）: PLL(Partial-label Learning)では、未知の真のラベルを含む曖昧な候補ラベルのセットのみがアクセス可能であるが、コントラスト学習は近年、同じ/異なるエンティティのクラスを対比して学習した表現による視覚タスクにおけるPLLのパフォーマンスを高めている。
真のラベルにアクセスできなければ、正の点は本質的にノイズの多い擬似ラベルを使って予測され、負の点は大きなバッチや運動量エンコーダを必要とし、信頼性の低い類似性情報と高い計算オーバーヘッドをもたらす。
本稿では,PaPi (Partial-label learning with a guided Prototypeal classifier) と呼ばれる単純なフレームワークの設計を刺激し,表現学習の大幅な改善を図り,ラベルの曖昧化に寄与する,最先端のPLL手法であるPiCO[24]を再考する。
PaPiは、同じ特徴エンコーダを共有する線形分類器により、原型分類器の最適化を導くため、カテゴリ間の視覚的類似性を明示的に反映するよう、表現を奨励する。
PaPiは、方向指示の反対でPiCOのいくつかのコンポーネントしか必要とせず、ノイズを導入して計算リソースを消費する対照的な学習モジュールを直接排除している。
画像分類タスクにおいて,PaPiが他のPLL法よりも優れていることを示す。
関連論文リスト
- Negative Prototypes Guided Contrastive Learning for WSOD [8.102080369924911]
近年,画像レベルのアノテーションのみを持つ弱監視対象検出(WSOD)が注目されている。
本稿では,Native Prototypes Guided Contrastive Learning Architectureを提案する。
提案手法は最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-06-04T08:16:26Z) - Pseudo-labelling meets Label Smoothing for Noisy Partial Label Learning [8.387189407144403]
部分ラベル学習(Partial label learning、PLL)は、各トレーニングインスタンスが候補ラベル(Partial label)のセットとペアリングされる弱い教師付き学習パラダイムである。
NPLLはこの制約を緩和し、一部の部分ラベルが真のラベルを含まないようにし、問題の実用性を高める。
本稿では,近傍の重み付けアルゴリズムを用いて,雑音のある部分ラベルを利用して画像に擬似ラベルを割り当てる最小限のフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-07T13:32:47Z) - Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。
誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-18T09:09:52Z) - Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。
これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。
本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
論文 参考訳（メタデータ） (2023-08-31T13:37:28Z) - DualCoOp++: Fast and Effective Adaptation to Multi-Label Recognition
with Limited Annotations [79.433122872973]
低ラベル体制における多ラベル画像認識は、大きな課題と実践的重要性の課題である。
我々は、何百万もの補助的な画像テキストペアで事前訓練されたテキストと視覚的特徴の強力なアライメントを活用する。
Evidence-guided Dual Context Optimization (DualCoOp++) という,効率的かつ効果的なフレームワークを導入する。
論文 参考訳（メタデータ） (2023-08-03T17:33:20Z) - Semantic-Aware Dual Contrastive Learning for Multi-label Image
Classification [8.387933969327852]
本稿では,サンプル対サンプルのコントラスト学習を取り入れた,セマンティック・アウェアな2つのコントラスト学習フレームワークを提案する。
具体的には、セマンティック・アウェアな表現学習を活用して、カテゴリに関連する局所的識別特徴を抽出する。
提案手法は, 最先端の手法よりも有効であり, 性能も優れている。
論文 参考訳（メタデータ） (2023-07-19T01:57:31Z) - Complementary Classifier Induced Partial Label Learning [54.61668156386079]
部分ラベル学習(PLL)では、各トレーニングサンプルは候補ラベルのセットに関連付けられ、そのうち1つのみが有効である。
曖昧さでは、既存の研究は通常、非候補ラベルセットの有効性を十分に調査しない。
本稿では,非候補ラベルを用いて補完的分類器を誘導し,従来の分類器に対する逆関係を自然に形成する。
論文 参考訳（メタデータ） (2023-05-17T02:13:23Z) - PiCO: Contrastive Label Disambiguation for Partial Label Learning [37.91710419258801]
部分ラベル学習(Partial label learning, PLL)は、各トレーニング例を粗い候補セットでラベル付けできる重要な問題である。
本研究では,表現学習とラベル曖昧化における2つの重要な研究課題に対処することによって,このギャップを埋める。
提案するフレームワークは,対照的な学習モジュールと,新しいクラスプロトタイプベースのラベル曖昧化から構成される。
論文 参考訳（メタデータ） (2022-01-22T07:48:41Z) - Visual Transformer for Task-aware Active Learning [49.903358393660724]
プールベースのアクティブラーニングのための新しいパイプラインを提案する。
提案手法は,学習中に使用可能なアンラベリング例を利用して,ラベル付き例との相関関係を推定する。
ビジュアルトランスフォーマーは、ラベル付き例と非ラベル付き例の間の非ローカルビジュアル概念依存性をモデル化する。
論文 参考訳（メタデータ） (2021-06-07T17:13:59Z) - Few-Shot Partial-Label Learning [25.609766770479265]
部分ラベル学習(Partial-label Learning, PLL)は、一般的に、過度に注釈付けされたサンプルをトレーニングすることで、耐雑音性のあるマルチクラスを誘導することに焦点を当てている。
既存の数発の学習アルゴリズムはサポートセットの正確なラベルを仮定する。
本稿では,FsPLL (Few-shot Image Learning) というアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-02T07:03:54Z)
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。