論文の概要: Clustering of illustrations by atmosphere using a combination of supervised and unsupervised learning

• arxiv url: http://arxiv.org/abs/2307.15099v1
• Date: Thu, 27 Jul 2023 14:54:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 14:42:02.332613
• Title: Clustering of illustrations by atmosphere using a combination of supervised and unsupervised learning
• Title（参考訳）: 教師付き学習と教師なし学習を組み合わせた雰囲気によるイラストのクラスタリング
• Authors: Keisuke Kubota (Doshisha University), Masahiro Okuda (Doshisha University)
• Abstract要約: イラストの「雰囲気」はユーザの好みに重要な役割を果たす。 明確なラベルを明確な「雰囲気」に割り当てることや、従来の監督された分類は、必ずしも実用的ではない。 本稿では,擬似ラベルを用いた教師なし学習と教師なし学習の両方を用いて,この問題を解決する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The distribution of illustrations on social media, such as Twitter and Pixiv has increased with the growing popularity of animation, games, and animated movies. The "atmosphere" of illustrations plays an important role in user preferences. Classifying illustrations by atmosphere can be helpful for recommendations and searches. However, assigning clear labels to the elusive "atmosphere" and conventional supervised classification is not always practical. Furthermore, even images with similar colors, edges, and low-level features may not have similar atmospheres, making classification based on low-level features challenging. In this paper, this problem is solved using both supervised and unsupervised learning with pseudo-labels. The feature vectors are obtained using the supervised method with pseudo-labels that contribute to an ambiguous atmosphere. Further, clustering is performed based on these feature vectors. Experimental analyses show that our method outperforms conventional methods in human-like clustering on datasets manually classified by humans.
• Abstract（参考訳）: TwitterやPixivといったソーシャルメディア上のイラストレーションの配信は、アニメーション、ゲーム、アニメーション映画の人気が高まっている。 イラストの"atmosphere"はユーザーの好みにおいて重要な役割を果たす。 大気によるイラストの分類は、推奨や検索に役立つ。 しかし、明確なラベルを「雰囲気」や従来の教師付き分類に割り当てることは必ずしも現実的ではない。 さらに、同じ色、エッジ、低レベルの特徴を持つ画像でさえ、同様の雰囲気を持っておらず、低レベルの特徴に基づく分類が困難になる可能性がある。 本稿では,疑似ラベルを用いた教師なし学習と教師なし学習の両方を用いて,この問題を解決する。 特徴ベクトルは、あいまいな雰囲気に寄与する擬似ラベルを持つ教師付き方法を用いて得られる。 さらに、これらの特徴ベクトルに基づいてクラスタリングを行う。 実験の結果,手作業で分類したデータセットのクラスタリング手法は従来の手法よりも優れていた。

関連論文リスト

• SelEx: Self-Expertise in Fine-Grained Generalized Category Discovery [55.72840638180451]
  Generalized Category Discoveryは、新しいカテゴリーを同時に発見し、既知のカテゴリを正確に分類することを目的としている。 自己超越と対照的な学習に強く依存する伝統的な手法は、細かなカテゴリーを区別する場合にしばしば不足する。 モデルが微妙な違いを認識し、未知のカテゴリを明らかにする能力を高める。
  論文  参考訳（メタデータ） (2024-08-26T15:53:50Z)
• Scribble Hides Class: Promoting Scribble-Based Weakly-Supervised Semantic Segmentation with Its Class Label [16.745019028033518]
  画像レベルのクラスから情報を得たスクリブルアノテーションと擬似ラベルと、監督のためのグローバルセマンティクスの両方を利用するクラス駆動型スクリブルプロモーションネットワークを提案する。 スクリブルアノテーションの異なる性質を持つScribbleSupデータセットの実験は、従来の手法よりも優れており、本手法の優位性と堅牢性を示している。
  論文  参考訳（メタデータ） (2024-02-27T14:51:56Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• How does Contrastive Learning Organize Images? [8.077578967149561]
  コントラスト学習(Contrastive Learning)は、同じ入力の増大と異なる入力の相違の表現において類似性を強調している。 近年の研究はこの直接的な関係に挑戦し、帰納的バイアスの重要な役割を浮き彫りにしている。 この差を捉えるために、RLD(Relative Local Density)メトリクスを導入します。
  論文  参考訳（メタデータ） (2023-05-17T14:10:54Z)
• Fine-Grained Visual Classification using Self Assessment Classifier [12.596520707449027]
  識別的特徴の抽出は、きめ細かい視覚的分類タスクにおいて重要な役割を担っている。 本稿では,画像とトップkの予測クラスを同時に活用する自己評価手法を提案する。 本手法は,CUB200-2011,Stanford Dog,FGVC Aircraft のデータセットに対して,最新の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-21T07:41:27Z)
• Out-of-Distribution Detection without Class Labels [29.606812876314386]
  異常検出方法は、データセットの正常な振る舞いから逸脱するサンプルを識別する。 現在の方法は、複数のクラスで構成されるがラベルを持たないトレーニングデータに直面すると苦労する。 まず,自己教師付き手法を用いて画像のクラスタ化を行い,各画像のクラスタラベルを取得する。 クラスタラベルによる画像の分類作業において,事前学習した特徴を微調整する。
  論文  参考訳（メタデータ） (2021-12-14T18:58:32Z)
• A Contrastive Learning Approach to Auroral Identification and Classification [0.8399688944263843]
  オーロラ画像分類の課題に対する教師なし学習の新たな応用法を提案する。 オーロラ画像の表現を学習するためのコントラスト学習(SimCLR)アルゴリズムを改良し,適応する。 当社のアプローチは、運用目的の確立されたしきい値を超え、デプロイメントと利用の準備ができていることを実証しています。
  論文  参考訳（メタデータ） (2021-09-28T17:51:25Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。