論文の概要: Hyp-UML: Hyperbolic Image Retrieval with Uncertainty-aware Metric Learning

• arxiv url: http://arxiv.org/abs/2310.08390v2
• Date: Sun, 22 Oct 2023 03:42:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 06:28:06.487297
• Title: Hyp-UML: Hyperbolic Image Retrieval with Uncertainty-aware Metric Learning
• Title（参考訳）: Hyp-UML:不確かさを意識したメトリクス学習による双曲的画像検索
• Authors: Shiyang Yan, Zongxuan Liu, Lin Xu
• Abstract要約: メトリクス学習は画像検索と分類の訓練において重要な役割を果たしている。 双曲的埋め込みは階層的なデータ構造を表現するのにより効果的である。 本稿では,一般的なコントラスト学習と従来のマージンに基づく距離学習の2種類の不確実性を考慮した距離学習を提案する。
• 参考スコア（独自算出の注目度）: 8.012146883983227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Metric learning plays a critical role in training image retrieval and classification. It is also a key algorithm in representation learning, e.g., for feature learning and its alignment in metric space. Hyperbolic embedding has been recently developed. Compared to the conventional Euclidean embedding in most of the previously developed models, Hyperbolic embedding can be more effective in representing the hierarchical data structure. Second, uncertainty estimation/measurement is a long-lasting challenge in artificial intelligence. Successful uncertainty estimation can improve a machine learning model's performance, robustness, and security. In Hyperbolic space, uncertainty measurement is at least with equivalent, if not more, critical importance. In this paper, we develop a Hyperbolic image embedding with uncertainty-aware metric learning for image retrieval. We call our method Hyp-UML: Hyperbolic Uncertainty-aware Metric Learning. Our contribution are threefold: we propose an image embedding algorithm based on Hyperbolic space, with their corresponding uncertainty value; we propose two types of uncertainty-aware metric learning, for the popular Contrastive learning and conventional margin-based metric learning, respectively. We perform extensive experimental validations to prove that the proposed algorithm can achieve state-of-the-art results among related methods. The comprehensive ablation study validates the effectiveness of each component of the proposed algorithm.
• Abstract（参考訳）: メトリック学習は、画像検索と分類のトレーニングにおいて重要な役割を果たす。 また、例えば、特徴学習とその距離空間におけるアライメントのための表現学習における重要なアルゴリズムでもある。 ハイパーボリック埋め込みは近年開発されている。 前述したほとんどのモデルにおける通常のユークリッド埋め込みと比較して、双曲埋め込みは階層データ構造を表現する上でより効果的である。 第二に、不確実性の推定/測定は人工知能における長期的な課題である。 不確実性の推定に成功すると、機械学習モデルのパフォーマンス、堅牢性、セキュリティが向上する。 双曲空間において、不確実性の測定は、少なくともそれ以上でも重要な重要性を持つ。 本稿では,画像検索のための不確実性を考慮したメトリクス学習を組み込んだハイパーボリック画像を開発する。 我々はHyp-UMLと呼ばれるハイパーボリックな不確かさを意識したメトリックラーニングを行う。 我々は,ハイパーボリック空間に基づく画像埋め込みアルゴリズムとそれに対応する不確実性値を提案する。また,一般的なコントラスト学習と従来型のマージンベースのメトリクス学習の2種類の不確実性を考慮したメトリクス学習を提案する。 我々は,提案アルゴリズムが関連する手法で最先端の成果を得られることを示すため,広範囲な実験的検証を行った。 包括的アブレーション研究は,提案アルゴリズムの各成分の有効性を検証する。

関連論文リスト

• Introspective Deep Metric Learning [91.47907685364036]
  本稿では,不確実性を考慮した画像比較のためのイントロスペクティブな深度学習フレームワークを提案する。 提案するIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能を向上させる。
  論文  参考訳（メタデータ） (2023-09-11T16:21:13Z)
• EvCenterNet: Uncertainty Estimation for Object Detection using Evidential Learning [26.535329379980094]
  EvCenterNetは、新しい不確実性を認識した2Dオブジェクト検出フレームワークである。 分類と回帰の不確実性の両方を推定するために、顕在的学習を用いる。 我々は、KITTIデータセット上でモデルをトレーニングし、配布外のデータセットに挑戦して評価する。
  論文  参考訳（メタデータ） (2023-03-06T11:07:11Z)
• A Comprehensive Study on Robustness of Image Classification Models: Benchmarking and Rethinking [54.89987482509155]
  ディープニューラルネットワークのロバスト性は、通常、敵の例、共通の腐敗、分散シフトに欠けている。 画像分類タスクにおいてtextbfARES-Bench と呼ばれる総合的なベンチマークロバスト性を確立する。 それに応じてトレーニング設定を設計することにより、新しい最先端の対人ロバスト性を実現する。
  論文  参考訳（メタデータ） (2023-02-28T04:26:20Z)
• Hyperbolic Contrastive Learning [12.170564544949308]
  本稿では,双曲空間における意味的関係を学習するための新しいコントラスト学習フレームワークを提案する。 提案手法は, 自己教師付き事前学習, 教師付き分類, ベースライン法よりも頑健な精度において, より良い結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-02-02T20:47:45Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• Provably Robust Metric Learning [98.50580215125142]
  既存のメトリクス学習アルゴリズムは、ユークリッド距離よりもロバストなメトリクスをもたらすことを示す。 対向摂動に対して頑健なマハラノビス距離を求めるための新しい距離学習アルゴリズムを提案する。 実験結果から,提案アルゴリズムは証明済みの堅牢な誤りと経験的堅牢な誤りの両方を改善した。
  論文  参考訳（メタデータ） (2020-06-12T09:17:08Z)
• Towards Certified Robustness of Distance Metric Learning [53.96113074344632]
  我々は,距離学習アルゴリズムの一般化とロバスト性を改善するために,入力空間に逆のマージンを付与することを提唱する。 アルゴリズム的ロバスト性の理論手法を用いることにより,拡張マージンは一般化能力に有益であることを示す。
  論文  参考訳（メタデータ） (2020-06-10T16:51:53Z)

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。