論文の概要: Advancing Image Retrieval with Few-Shot Learning and Relevance Feedback
- arxiv url: http://arxiv.org/abs/2312.11078v1
- Date: Mon, 18 Dec 2023 10:20:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 20:30:15.571157
- Title: Advancing Image Retrieval with Few-Shot Learning and Relevance Feedback
- Title（参考訳）: Few-Shot LearningとRelevance Feedbackによる画像検索の改善
- Authors: Boaz Lerner, Nir Darshan and Rami Ben-Ari
- Abstract要約: Image Retrieval with Relevance Feedback (IRRF) は、検索プロセス中に反復的なヒューマンインタラクションを伴う。
本稿では,タスクに適したハイパーネットワークに基づく新しいスキームを提案し,ユーザフィードバックの迅速な調整を容易にする。
提案手法は,数発の1クラス分類でSoTAを達成でき,数発のオープンセット認識のバイナリ分類タスクで同等の結果が得られることを示す。
- 参考スコア（独自算出の注目度）: 5.770351255180495
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With such a massive growth in the number of images stored, efficient search
in a database has become a crucial endeavor managed by image retrieval systems.
Image Retrieval with Relevance Feedback (IRRF) involves iterative human
interaction during the retrieval process, yielding more meaningful outcomes.
This process can be generally cast as a binary classification problem with only
{\it few} labeled samples derived from user feedback. The IRRF task frames a
unique few-shot learning characteristics including binary classification of
imbalanced and asymmetric classes, all in an open-set regime. In this paper, we
study this task through the lens of few-shot learning methods. We propose a new
scheme based on a hyper-network, that is tailored to the task and facilitates
swift adjustment to user feedback. Our approach's efficacy is validated through
comprehensive evaluations on multiple benchmarks and two supplementary tasks,
supported by theoretical analysis. We demonstrate the advantage of our model
over strong baselines on 4 different datasets in IRRF, addressing also
retrieval of images with multiple objects. Furthermore, we show that our method
can attain SoTA results in few-shot one-class classification and reach
comparable results in binary classification task of few-shot open-set
recognition.
- Abstract（参考訳）: このような画像数の増加に伴い、データベース内の効率的な検索は画像検索システムによって管理される重要な課題となっている。
Image Retrieval with Relevance Feedback (IRRF) は、検索プロセス中に人間との反復的な相互作用を伴い、より有意義な結果をもたらす。
このプロセスは一般に、ユーザフィードバックから派生したラベル付きサンプルのみを含むバイナリ分類問題としてキャストすることができる。
irrfタスクフレームには,不均衡クラスと非対称クラスのバイナリ分類を含む,ユニークな少数ショット学習特性がある。
本稿では,この課題を数発の学習手法のレンズを用いて研究する。
本稿では,タスクに適したハイパーネットワークに基づく新しいスキームを提案し,ユーザフィードバックの迅速な調整を容易にする。
提案手法の有効性は,複数のベンチマークと2つの補足タスクの包括的評価によって検証され,理論的解析によって裏付けられる。
我々は、IRRFの4つの異なるデータセットの強いベースラインよりもモデルの利点を実証し、複数のオブジェクトによる画像の検索にも対処する。
さらに,本手法は,数発の1クラス分類でSoTAを達成でき,数発のオープンセット認識のバイナリ分類タスクで同等の結果が得られることを示す。
関連論文リスト
- Symmetrical Bidirectional Knowledge Alignment for Zero-Shot Sketch-Based
Image Retrieval [69.46139774646308]
本稿ではゼロショットスケッチベース画像検索(ZS-SBIR)の問題点について検討する。
目に見えないカテゴリのスケッチをクエリとして使用して、同じカテゴリのイメージにマッチさせることが目的だ。
ゼロショットスケッチに基づく画像検索(SBKA)のための新しい対称双方向知識アライメントを提案する。
論文 参考訳（メタデータ） (2023-12-16T04:50:34Z) - RAFIC: Retrieval-Augmented Few-shot Image Classification [0.0]
少ないショット画像分類は、見えない画像を互いに排他的なクラスに分類するタスクである。
我々は,検索した画像の付加集合を用いて,Kの集合を増大させる手法を開発した。
我々は,RAFICが2つの挑戦的データセットをまたいだ数ショット画像分類の性能を著しく向上させることを実証した。
論文 参考訳（メタデータ） (2023-12-11T22:28:51Z) - Improving Human-Object Interaction Detection via Virtual Image Learning [68.56682347374422]
人間-物体相互作用(Human-Object Interaction、HOI)は、人間と物体の相互作用を理解することを目的としている。
本稿では,仮想画像学習(Virtual Image Leaning, VIL)による不均衡分布の影響を軽減することを提案する。
ラベルからイメージへの新たなアプローチであるMultiple Steps Image Creation (MUSIC)が提案され、実際の画像と一貫した分布を持つ高品質なデータセットを作成する。
論文 参考訳（メタデータ） (2023-08-04T10:28:48Z) - Exploiting the relationship between visual and textual features in
social networks for image classification with zero-shot deep learning [0.0]
本稿では,CLIPニューラルネットワークアーキテクチャの伝達可能な学習能力に基づく分類器アンサンブルを提案する。
本研究は,Placesデータセットのラベルによる画像分類タスクに基づいて,視覚的部分のみを考慮した実験である。
画像に関連付けられたテキストを考えることは、目標に応じて精度を向上させるのに役立つ。
論文 参考訳（メタデータ） (2021-07-08T10:54:59Z) - Few-Shot Learning with Part Discovery and Augmentation from Unlabeled
Images [79.34600869202373]
帰納的バイアスは、ラベルなし画像の平坦な集合から学習でき、目に見えるクラスと目に見えないクラスの間で伝達可能な表現としてインスタンス化されることを示す。
具体的には、トランスファー可能な表現を学習するための、新しいパートベース自己教師型表現学習手法を提案する。
我々の手法は印象的な結果をもたらし、それまでの最高の教師なし手法を7.74%、9.24%上回った。
論文 参考訳（メタデータ） (2021-05-25T12:22:11Z) - Learning to Focus: Cascaded Feature Matching Network for Few-shot Image
Recognition [38.49419948988415]
ディープネットワークは、多数の画像でトレーニングすることで、カテゴリのオブジェクトを正確に認識することを学ぶことができる。
低ショット画像認識タスク(low-shot image recognition task)として知られるメタラーニングの課題は、1つのカテゴリの認識モデルを学ぶためにアノテーション付き画像しか利用できない場合に発生する。
この問題を解決するため,Cascaded Feature Matching Network (CFMN) と呼ばれる手法を提案する。
EmphminiImageNet と Omniglot の2つの標準データセットを用いた数ショット学習実験により,本手法の有効性が確認された。
論文 参考訳（メタデータ） (2021-01-13T11:37:28Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳（メタデータ） (2020-09-08T07:29:05Z) - Tasks Integrated Networks: Joint Detection and Retrieval for Image
Search [99.49021025124405]
多くの現実世界の探索シナリオ(例えばビデオ監視)では、オブジェクトは正確に検出または注釈付けされることはめったにない。
まず、エンド・ツー・エンド統合ネット(I-Net)を紹介します。
さらに,2つの新しいコントリビューションを行うDC-I-Netという改良されたI-Netを提案する。
論文 参考訳（メタデータ） (2020-09-03T03:57:50Z) - One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。
また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。
提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文 参考訳（メタデータ） (2020-05-08T01:59:23Z) - CBIR using features derived by Deep Learning [0.0]
CBIR(Content Based Image Retrieval)システムでは、クエリ画像が与えられた大きなデータベースから同様の画像を検索する。
本稿では,大規模な画像分類問題に対して学習したディープラーニング畳み込みネットワークから,事前学習したネットワークモデルから派生した特徴を用いることを提案する。
論文 参考訳（メタデータ） (2020-02-13T21:26:32Z)
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。