論文の概要: CIParsing: Unifying Causality Properties into Multiple Human Parsing
- arxiv url: http://arxiv.org/abs/2308.12218v1
- Date: Wed, 23 Aug 2023 15:56:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 13:38:13.586818
- Title: CIParsing: Unifying Causality Properties into Multiple Human Parsing
- Title(参考訳): CIParsing: 複数の人間のパースに因果特性を統一する
- Authors: Xiaojia Chen, Xuanhan Wang, Lianli Gao, Beitao Chen, Jingkuan Song,
HenTao Shen
- Abstract要約: 既存のMHP(Multiple Human Parsing)の手法は、画像とラベル付けされた身体部分との間の基礎となる関係を取得するために統計モデルを適用している。
我々はCIParsingと呼ばれる因果性にインスパイアされた構文解析のパラダイムを提示し、人間の解析に2つの因果性を含む基本的な因果原理に従う。
CIParsingはプラグイン・アンド・プレイ方式で設計されており、既存のMHPモデルに統合することができる。
- 参考スコア(独自算出の注目度): 82.32620538918812
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing methods of multiple human parsing (MHP) apply statistical models to
acquire underlying associations between images and labeled body parts. However,
acquired associations often contain many spurious correlations that degrade
model generalization, leading statistical models to be vulnerable to visually
contextual variations in images (e.g., unseen image styles/external
interventions). To tackle this, we present a causality inspired parsing
paradigm termed CIParsing, which follows fundamental causal principles
involving two causal properties for human parsing (i.e., the causal diversity
and the causal invariance). Specifically, we assume that an input image is
constructed by a mix of causal factors (the characteristics of body parts) and
non-causal factors (external contexts), where only the former ones cause the
generation process of human parsing.Since causal/non-causal factors are
unobservable, a human parser in proposed CIParsing is required to construct
latent representations of causal factors and learns to enforce representations
to satisfy the causal properties. In this way, the human parser is able to rely
on causal factors w.r.t relevant evidence rather than non-causal factors w.r.t
spurious correlations, thus alleviating model degradation and yielding improved
parsing ability. Notably, the CIParsing is designed in a plug-and-play fashion
and can be integrated into any existing MHP models. Extensive experiments
conducted on two widely used benchmarks demonstrate the effectiveness and
generalizability of our method.
- Abstract(参考訳): 既存のマルチプル・ヒューマン・パース(mhp)の手法は、画像とラベル付きボディ部品の間の基礎的な関連を取得するために統計モデルを適用する。
しかし、取得された関連付けは、しばしばモデル一般化を劣化させる多くの急激な相関関係を含んでいるため、統計モデルは画像の視覚的文脈変化(例えば、見えない画像スタイルや外部介入)に脆弱である。
そこで本研究では,人間の解析における2つの因果特性(因果多様性と因果不変性)に関する基本的な因果原理に従う,因果性に触発された解析パラダイムであるciparsingを提案する。
特に、入力画像は、因果的要因(身体の部分の特徴)と非因果的要因(外部文脈)の混合によって構築され、前者のみが人間の因果的・非因果的要因が観察できないため、提案されたCIParsingにおける人間のパーサーが因果的要因の潜在的表現を構築し、因果的特性を満たすために表現を強制することを学ぶ。
このようにして、ヒトパーサーは非因果関係因子(w.r.t)よりも因果関係因子(w.r.t)に依存し、モデル劣化を緩和し、解析能力を向上させることができる。
特に、CIParsingはプラグアンドプレイ方式で設計されており、既存のMHPモデルに統合することができる。
本手法の有効性と汎用性を示す2つのベンチマークを用いた広範囲な実験を行った。
関連論文リスト
- Estimating the Causal Effects of Natural Logic Features in Transformer-Based NLI Models [16.328341121232484]
文脈介入の効果を測定するために因果効果推定手法を適用した。
本研究はトランスフォーマーの無関係な変化に対する堅牢性と影響の高い変化に対する感受性について検討する。
論文 参考訳(メタデータ) (2024-04-03T10:22:35Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳(メタデータ) (2023-10-24T07:46:10Z) - Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。
本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。
2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文 参考訳(メタデータ) (2023-08-24T16:06:36Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳(メタデータ) (2021-09-06T14:52:58Z) - Correlating Edge, Pose with Parsing [35.27973063976257]
本稿では,人間の意味的境界とキーポイント位置が協調的に人間の解析を改善する方法について検討する。
本研究では,不均一な非局所ブロックを用いた相関解析装置(CorrPM)を提案する。
論文 参考訳(メタデータ) (2020-05-04T12:39:13Z) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳(メタデータ) (2020-04-18T20:09:34Z) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳(メタデータ) (2020-02-23T22:52:28Z)
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。