Fugu-MT 論文翻訳(概要): Catching Image Retrieval Generalization

論文の概要: Catching Image Retrieval Generalization

arxiv url: http://arxiv.org/abs/2306.13357v1
Date: Fri, 23 Jun 2023 08:15:20 GMT
ステータス: 処理完了
システム内更新日: 2023-06-26 13:26:47.383121
Title: Catching Image Retrieval Generalization
Title（参考訳）: キャッチ画像検索の一般化
Authors: Maksim Zhdanov, Ivan Karpukhin
Abstract要約: Recall@Kはデータセット内のクラス数に依存し、一般化を推定する能力を制限することを示す。本稿では,検索性能を計測する新しい指標を提案し,Recall@Kとは異なり,一般化を推定する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The concepts of overfitting and generalization are vital for evaluating machine learning models. In this work, we show that the popular Recall@K metric depends on the number of classes in the dataset, which limits its ability to estimate generalization. To fix this issue, we propose a new metric, which measures retrieval performance, and, unlike Recall@K, estimates generalization. We apply the proposed metric to popular image retrieval methods and provide new insights about deep metric learning generalization.
Abstract（参考訳）: オーバーフィットと一般化の概念は、機械学習モデルを評価する上で不可欠である。本研究では、一般的なRecall@Kメトリックがデータセット内のクラス数に依存することを示し、一般化を推定する能力を制限する。この問題を解決するために,検索性能を測定し,Recall@Kと異なり一般化を推定する新しい指標を提案する。提案手法を一般的な画像検索手法に適用し,ディープラーニングの一般化に関する新たな知見を提供する。

関連論文リスト

A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
画像復元(IR)とは、ノイズ、ぼかし、気象効果などの劣化を除去しながら、画像の視覚的品質を改善する過程である。従来のIR手法は、一般的に特定の種類の劣化をターゲットとしており、複雑な歪みを伴う現実のシナリオにおいて、その効果を制限している。オールインワン画像復元(AiOIR)パラダイムが登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供する。
論文参考訳（メタデータ） (2024-10-19T11:11:09Z)
Cobra Effect in Reference-Free Image Captioning Metrics [58.438648377314436]
視覚言語事前学習モデル(VLM)を活用した参照フリー手法の普及が出現している。本稿では,基準自由度に欠陥があるかどうかを考察する。 GPT-4Vは生成した文を評価するための評価ツールであり,提案手法がSOTA(State-of-the-art)の性能を達成することを示す。
論文参考訳（メタデータ） (2024-02-18T12:36:23Z)
Challenges to Evaluating the Generalization of Coreference Resolution Models: A Measurement Modeling Perspective [69.50044040291847]
本稿では, マルチデータセット評価が, 正確に測定されている要因を混同するリスクについて述べる。これにより、これらの評価からより一般化可能な結論を引き出すのが難しくなる。
論文参考訳（メタデータ） (2023-03-16T05:32:02Z)
Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。これは私たちの最良の知識の一般的な評価の最初の定義です。
論文参考訳（メタデータ） (2022-08-23T09:37:31Z)
When Does Re-initialization Work? [50.70297319284022]
再初期化は、最近の研究における一般化を改善するために観察されている。ディープラーニングの実践では広く採用されておらず、最先端のトレーニングプロトコルでもよく使用されている。このことは、再初期化がいつ動作するのか、また、正規化技術と一緒に使うべきかという疑問を提起する。
論文参考訳（メタデータ） (2022-06-20T21:23:15Z)
Robustness to Augmentations as a Generalization metric [0.0]
一般化とは、目に見えないドメインを予測するモデルの能力です。拡張に頑健なモデルは、そうでないモデルよりも一般化可能であるという概念を用いて、モデルの一般化性能を予測する手法を提案する。提案手法は、ディープラーニングにおける一般化予測に関するNeurIPSコンペティションの最初のランナーアップソリューションであった。
論文参考訳（メタデータ） (2021-01-16T15:36:38Z)
Toward a Generalization Metric for Deep Generative Models [18.941388632914666]
深部生成モデル(DGM)の一般化能力の測定は困難である。評価指標の堅牢性を比較するためのフレームワークを提案する。我々はジェネレーション潜在変数モデル(GLVM)の複雑さを推定する効率的な方法を開発した。
論文参考訳（メタデータ） (2020-11-02T05:32:07Z)
Evaluation Metrics for Conditional Image Generation [100.69766435176557]
クラス条件画像生成設定において生成モデルを評価するための2つの新しい指標を提案する。理論的分析は、提案されたメトリクスの背景にあるモチベーションを示し、新しいメトリクスと条件のないメトリクスを結びつける。我々は,実験的な評価を行い,その指標を条件のない変種や他の指標と比較し,既存の生成モデルの解析に利用した。
論文参考訳（メタデータ） (2020-04-26T12:15:16Z)
Supervised Categorical Metric Learning with Schatten p-Norms [10.995886294197412]
そこで我々は,分類データにおける計量学習の問題に対処する手法としてCPML(CPML)を提案する。我々は、データを表すためにValue Distance Metricを使用し、この表現に基づいて新しい距離を提案する。次に、新しいメトリクスを効率的に学習する方法を示します。
論文参考訳（メタデータ） (2020-02-26T01:17:12Z)

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。