論文の概要: SimMatchV2: Semi-Supervised Learning with Graph Consistency
- arxiv url: http://arxiv.org/abs/2308.06692v1
- Date: Sun, 13 Aug 2023 05:56:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 16:05:22.044514
- Title: SimMatchV2: Semi-Supervised Learning with Graph Consistency
- Title(参考訳): SimMatchV2: グラフ一貫性による半教師付き学習
- Authors: Mingkai Zheng, Shan You, Lang Huang, Chen Luo, Fei Wang, Chen Qian,
Chang Xu
- Abstract要約: 半教師付き学習アルゴリズムSimMatchV2を導入する。
グラフの観点からラベル付きデータとラベルなしデータの間の様々な一貫性の規則化を定式化する。
SimMatchV2は、複数の半教師付き学習ベンチマークで検証されている。
- 参考スコア(独自算出の注目度): 53.31681712576555
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-Supervised image classification is one of the most fundamental problem
in computer vision, which significantly reduces the need for human labor. In
this paper, we introduce a new semi-supervised learning algorithm - SimMatchV2,
which formulates various consistency regularizations between labeled and
unlabeled data from the graph perspective. In SimMatchV2, we regard the
augmented view of a sample as a node, which consists of a label and its
corresponding representation. Different nodes are connected with the edges,
which are measured by the similarity of the node representations. Inspired by
the message passing and node classification in graph theory, we propose four
types of consistencies, namely 1) node-node consistency, 2) node-edge
consistency, 3) edge-edge consistency, and 4) edge-node consistency. We also
uncover that a simple feature normalization can reduce the gaps of the feature
norm between different augmented views, significantly improving the performance
of SimMatchV2. Our SimMatchV2 has been validated on multiple semi-supervised
learning benchmarks. Notably, with ResNet-50 as our backbone and 300 epochs of
training, SimMatchV2 achieves 71.9\% and 76.2\% Top-1 Accuracy with 1\% and
10\% labeled examples on ImageNet, which significantly outperforms the previous
methods and achieves state-of-the-art performance. Code and pre-trained models
are available at
\href{https://github.com/mingkai-zheng/SimMatchV2}{https://github.com/mingkai-zheng/SimMatchV2}.
- Abstract(参考訳): 半教師付き画像分類はコンピュータビジョンにおける最も根本的な問題の1つであり、人的労働の必要性を大幅に減らす。
本稿では,ラベル付きデータとラベルなしデータの整合性をグラフの観点から定式化する半教師付き学習アルゴリズム,SimMatchV2を提案する。
SimMatchV2では、サンプルの拡張ビューを、ラベルとその対応する表現からなるノードとみなす。
異なるノードはエッジに接続され、ノード表現の類似性によって測定される。
グラフ理論におけるメッセージパッシングとノード分類に着想を得て,4種類の構成型を提案する。
1)ノードノードの整合性
2)ノードエッジ整合性
3)エッジの整合性、及び
4)エッジノードの整合性。
また、単純な機能正規化は、異なる拡張ビュー間の特徴ノルムのギャップを減らし、SimMatchV2の性能を著しく改善することを明らかにする。
我々のSimMatchV2は、複数の半教師付き学習ベンチマークで検証されている。
特に、ResNet-50をバックボーンとして、300エポックのトレーニングとして、SimMatchV2は、ImageNet上の1\%と10\%のラベル付き例で71.9\%と76.2\%のTop-1精度を達成した。
コードと事前訓練されたモデルは、 \href{https://github.com/mingkai-zheng/SimMatchV2}{https://github.com/mingkai-zheng/SimMatchV2} で入手できる。
関連論文リスト
- Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2024-03-11T06:34:05Z) - A Simple and Scalable Graph Neural Network for Large Directed Graphs [11.792826520370774]
入力グラフ内のノード表現とエッジ方向認識の様々な組み合わせについて検討する。
そこで本研究では,A2DUGを簡易かつ包括的に分類する手法を提案する。
我々は、A2DUGが様々なデータセットで安定して動作し、最先端の手法と比較して11.29まで精度が向上することを示した。
論文 参考訳(メタデータ) (2023-06-14T06:24:58Z) - CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph
Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。
我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。
我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文 参考訳(メタデータ) (2022-05-30T13:20:26Z) - SimMatch: Semi-supervised Learning with Similarity Matching [43.61802702362675]
SimMatchは、意味的類似性とインスタンス類似性を考慮した、新しい半教師付き学習フレームワークである。
400エポックのトレーニングで、SimMatchは67.2%、Top-1の正確度は74.4%で、ImageNetでは1%と10%のラベルが付けられている。
論文 参考訳(メタデータ) (2022-03-14T08:08:48Z) - Graph Representation Learning Beyond Node and Homophily [2.8417100723094357]
本稿では2つのノードを用いた新しい教師なしグラフ埋め込み手法であるPairEを提案する。
マルチセルフ教師付きオートエンコーダは、2つのプリテキストタスクを満たすように設計されている: 1つは高周波信号をより良く保持し、もう1つは共通性の表現を強化する。
実験の結果,PairEは教師なしの最先端のベースラインよりも優れていた。
論文 参考訳(メタデータ) (2022-03-03T08:27:09Z) - Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。
グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。
本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
論文 参考訳(メタデータ) (2020-11-19T04:18:01Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-07-08T19:48:19Z) - Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。
少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文 参考訳(メタデータ) (2020-06-18T00:55:10Z) - Contrastive Multi-View Representation Learning on Graphs [13.401746329218017]
本稿では,グラフの構造的ビューを対比することで,ノードとグラフレベルの表現を学習するための自己教師型アプローチを提案する。
我々は8ノード中8ノードの自己教師型学習とグラフ分類のベンチマークで、最先端の新たな結果を得る。
論文 参考訳(メタデータ) (2020-06-10T00:49:15Z)
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。