論文の概要: Predicate Classification Using Optimal Transport Loss in Scene Graph Generation

• arxiv url: http://arxiv.org/abs/2309.10430v1
• Date: Tue, 19 Sep 2023 08:46:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 15:34:29.244362
• Title: Predicate Classification Using Optimal Transport Loss in Scene Graph Generation
• Title（参考訳）: シーングラフ生成における最適輸送損失を用いた述語分類
• Authors: Sorachi Kurita and Satoshi Oyama and Itsuki Noda
• Abstract要約: 本稿では,2つの確率分布を比較する尺度として最適輸送を用いたシーングラフを生成する手法を提案する。 実験により,提案手法はRecall@50,100の平均値で既存手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 7.056402944499977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In scene graph generation (SGG), learning with cross-entropy loss yields biased predictions owing to the severe imbalance in the distribution of the relationship labels in the dataset. Thus, this study proposes a method to generate scene graphs using optimal transport as a measure for comparing two probability distributions. We apply learning with the optimal transport loss, which reflects the similarity between the labels in terms of transportation cost, for predicate classification in SGG. In the proposed approach, the transportation cost of the optimal transport is defined using the similarity of words obtained from the pre-trained model. The experimental evaluation of the effectiveness demonstrates that the proposed method outperforms existing methods in terms of mean Recall@50 and 100. Furthermore, it improves the recall of the relationship labels scarcely available in the dataset.
• Abstract（参考訳）: シーングラフ生成(sgg)では、クロスエントロピー損失を伴う学習は、データセット内の関係ラベルの分布の不均衡によるバイアス付き予測をもたらす。 そこで本研究では,2つの確率分布を比較する尺度として最適輸送を用いたシーングラフを生成する手法を提案する。 我々は,SGGの述語分類において,輸送コストの観点からラベル間の類似性を反映した最適な輸送損失を学習に適用する。 提案手法では,事前学習モデルから得られた単語の類似性を用いて,最適輸送の輸送コストを定義する。 実験により,提案手法はRecall@50および100の平均値において,既存手法よりも優れた性能を示した。 さらに、データセットで利用可能なリレーションラベルのリコールも改善される。

関連論文リスト

• Learning to Re-weight Examples with Optimal Transport for Imbalanced Classification [74.62203971625173]
  不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。 不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。 本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:23:54Z)
• Interpretable Distribution Shift Detection using Optimal Transport [22.047388001308253]
  最適輸送に基づく分類データセットにおける分布変化の同定と特徴付けを行う手法を提案する。 変更によって各クラスが影響を受ける範囲を特定し、対応するサンプルのペアを取得して、その性質に関する洞察を提供する。
  論文  参考訳（メタデータ） (2022-08-04T21:55:29Z)
• Riemannian classification of EEG signals with missing values [67.90148548467762]
  本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。 第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。 その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
  論文  参考訳（メタデータ） (2021-10-19T14:24:50Z)
• Label Propagation Through Optimal Transport [0.0]
  本研究では,ラベル付きデータポイントのラベル予測を目的とした半教師付き半教師付き学習問題に取り組む。 提案手法は,様々な機械学習問題に対処するための数学的理論である最適輸送に基づく。
  論文  参考訳（メタデータ） (2021-10-01T11:25:55Z)
• Frustratingly Easy Transferability Estimation [64.42879325144439]
  本稿では,TransRate という,シンプルで効率的かつ効果的な転送可能性尺度を提案する。 TransRateは、事前訓練されたモデルによって抽出された対象サンプルの特徴とそれらのラベルとの間の相互情報として、転送可能性を測定する。 10行のコードで並外れた単純さにもかかわらず、TransRateは、22の事前訓練されたモデルと16のダウンストリームタスクに対する広範囲な評価において、非常にうまく機能している。
  論文  参考訳（メタデータ） (2021-06-17T10:27:52Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Incremental Semi-Supervised Learning Through Optimal Transport [0.0]
  本研究では, 半指導的学習のための2成分エッジ重み付きグラフを用いた新しいアプローチを提案する。 提案手法は,ラベル付きデータポイントと非ラベル付きデータポイントで定義された経験的測度間の規則化された最適輸送を用いて,最適輸送計画から親和性行列を得る。
  論文  参考訳（メタデータ） (2021-03-22T15:31:53Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentation [49.295165476818866]
  本稿では、意味的セグメンテーションの文脈において、ソースドメインからターゲットドメインへの知識伝達の教師なし領域適応に焦点を当てる。 既存のアプローチでは、通常、擬似ラベルを未ラベルのターゲットドメインデータを完全に活用するための基礎的真理とみなす。 本稿では,擬似ラベル学習の修正のために,学習中の予測の不確かさを明示的に推定することを提案する。
  論文  参考訳（メタデータ） (2020-03-08T12:37:19Z)
• Statistical Optimal Transport posed as Learning Kernel Embedding [0.0]
  この研究は、統計学的最適輸送(OT)を、輸送計画のカーネルの平均埋め込みをサンプルベースによる限界埋め込みの推定から学習する、という新しいアプローチを採っている。 重要な結果は、非常に穏やかな条件下では、$epsilon$-optimal recovery of the transport plan と Barycentric-projection based transport map が、完全に次元のないサンプル複雑性で可能であることである。
  論文  参考訳（メタデータ） (2020-02-08T14:58:53Z)

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。