論文の概要: Expand-and-Quantize: Unsupervised Semantic Segmentation Using High-Dimensional Space and Product Quantization

• arxiv url: http://arxiv.org/abs/2312.07342v1
• Date: Tue, 12 Dec 2023 15:04:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 15:37:36.054960
• Title: Expand-and-Quantize: Unsupervised Semantic Segmentation Using High-Dimensional Space and Product Quantization
• Title（参考訳）: 拡張・量子化:高次元空間と製品量子化を用いた教師なし意味セグメント化
• Authors: Jiyoung Kim, Kyuhong Shim, Insu Lee, Byonghyo Shim
• Abstract要約: 教師なしセマンティックセグメンテーション(USS)は、ラベルなしで意味のあるカテゴリを発見し、認識することを目的としている。 拡張・量子非教師型セマンティック (EQUSS) と呼ばれる新しい USS フレームワークを提案する。 EQUSSは、より優れたクラスタリングと効果的な情報圧縮のための製品量子化のための高次元空間の利点を組み合わせる。
• 参考スコア（独自算出の注目度）: 26.194676946257836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised semantic segmentation (USS) aims to discover and recognize meaningful categories without any labels. For a successful USS, two key abilities are required: 1) information compression and 2) clustering capability. Previous methods have relied on feature dimension reduction for information compression, however, this approach may hinder the process of clustering. In this paper, we propose a novel USS framework called Expand-and-Quantize Unsupervised Semantic Segmentation (EQUSS), which combines the benefits of high-dimensional spaces for better clustering and product quantization for effective information compression. Our extensive experiments demonstrate that EQUSS achieves state-of-the-art results on three standard benchmarks. In addition, we analyze the entropy of USS features, which is the first step towards understanding USS from the perspective of information theory.
• Abstract（参考訳）: unsupervised semantic segmentation (uss) はラベルなしで意味のあるカテゴリを発見し認識することを目的としている。 成功したUSSには2つの重要な能力が必要である。 1)情報圧縮及び 2)クラスタリング機能。 従来の手法では情報圧縮における特徴量削減に頼っていたが,本手法はクラスタリングを阻害する可能性がある。 本稿では,より優れたクラスタリングのための高次元空間の利点と効果的な情報圧縮のための製品量子化を組み合わせた,拡張および量子化非教師付きセマンティックセマンティックセマンティックセマンティックセマンティクス (EQUSS) と呼ばれる新しい USS フレームワークを提案する。 EQUSSは3つの標準ベンチマークで最先端の結果が得られることを示した。 さらに,ussの特徴のエントロピーを解析し,情報理論の観点からussを理解するための第一歩となる。

関連論文リスト

• When Segmentation Meets Hyperspectral Image: New Paradigm for Hyperspectral Image Classification [4.179738334055251]
  ハイパースペクトル画像(HSI)分類は、リモートセンシングの基盤であり、豊富なスペクトル情報を通じて正確な材料と土地被覆の識別を可能にする。 ディープラーニングはこのタスクに大きな進歩をもたらしたが、小さなパッチベースの分類器は進歩の90%以上を占めており、制限に直面している。 本研究では, HSI分類のための新しいパラダイムとベースラインであるHSIsegを提案し, これらの課題を克服するために, 分割手法と新しい動的シフト地域変換器(DSRT)を組み合わせる。
  論文  参考訳（メタデータ） (2025-02-18T05:04:29Z)
• Breaking Information Cocoons: A Hyperbolic Graph-LLM Framework for Exploration and Exploitation in Recommender Systems [41.43693025937088]
  HERecはハイパーボリックグラフ-LLMフレームワークで、レコメンダシステムの探索とエクスプロイトを効果的にバランスさせる。 本フレームワークでは,(1)ハイパーボリック空間におけるテキスト記述とユーザ-イテム協調情報とを協調的に整合する階層型グラフ-LLM機構,(2)ユーザ-調整可能な探索-探索トレードオフを実現する階層型表現構造を導入している。
  論文  参考訳（メタデータ） (2024-11-21T06:01:47Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• Instance Adaptive Prototypical Contrastive Embedding for Generalized Zero Shot Learning [11.720039414872296]
  一般的なゼロショット学習は、トレーニング中に目に見えないラベルがアクセスできないと仮定して、目に見えないラベルと見えないラベルからサンプルを分類することを目的としている。 GZSLの最近の進歩は、生成ネットワークにコントラッシブラーニングベースの埋め込みを組み込むことによって、加速している。
  論文  参考訳（メタデータ） (2023-09-13T14:26:03Z)
• Self-Supervised Deep Subspace Clustering with Entropy-norm [0.0]
  エントロピーノルムを用いた自己監督深部サブスペースクラスタリング(S$3$CE) S$3$CEは自己教師付きコントラストネットワークを利用して、より効率的な特徴ベクトルを得る。 データ拡張を伴う新しいモジュールは、S$3$CEがデータのキー情報に集中できるように設計されている。
  論文  参考訳（メタデータ） (2022-06-10T09:15:33Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
  ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。 提案されたモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2020-12-19T21:18:03Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)

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。