論文の概要: Revealing the Proximate Long-Tail Distribution in Compositional
Zero-Shot Learning
- arxiv url: http://arxiv.org/abs/2312.15923v1
- Date: Tue, 26 Dec 2023 07:35:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 15:47:39.268034
- Title: Revealing the Proximate Long-Tail Distribution in Compositional
Zero-Shot Learning
- Title（参考訳）: 合成ゼロショット学習における近位長尾分布の解明
- Authors: Chenyi Jiang, Haofeng Zhang
- Abstract要約: 合成ゼロショット学習(CZSL)は、目に見える状態オブジェクト対から新しいペアへ知識を伝達することを目的としている。
状態オブジェクトの組み合わせの予測によって引き起こされる視覚バイアスは、識別可能なクラスプロトタイプの学習を妨げる視覚的特徴を曖昧にする。
CZSLの長尾分布におけるクラスの役割を数学的に推定する。
この知見に基づいて, 合成による視覚的偏見を分類器の訓練と推定に組み入れ, 事前の近似クラスとして推定する。
- 参考スコア（独自算出の注目度）: 20.837664254230567
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compositional Zero-Shot Learning (CZSL) aims to transfer knowledge from seen
state-object pairs to novel unseen pairs. In this process, visual bias caused
by the diverse interrelationship of state-object combinations blurs their
visual features, hindering the learning of distinguishable class prototypes.
Prevailing methods concentrate on disentangling states and objects directly
from visual features, disregarding potential enhancements that could arise from
a data viewpoint. Experimentally, we unveil the results caused by the above
problem closely approximate the long-tailed distribution. As a solution, we
transform CZSL into a proximate class imbalance problem. We mathematically
deduce the role of class prior within the long-tailed distribution in CZSL.
Building upon this insight, we incorporate visual bias caused by compositions
into the classifier's training and inference by estimating it as a proximate
class prior. This enhancement encourages the classifier to acquire more
discernible class prototypes for each composition, thereby achieving more
balanced predictions. Experimental results demonstrate that our approach
elevates the model's performance to the state-of-the-art level, without
introducing additional parameters. Our code is available at
\url{https://github.com/LanchJL/ProLT-CZSL}.
- Abstract（参考訳）: 合成ゼロショット学習(CZSL)は、目に見える状態オブジェクト対から新しい未知のペアへ知識を伝達することを目的としている。
このプロセスでは、状態オブジェクトの組み合わせの相互関係による視覚バイアスが視覚的特徴を曖昧にし、識別可能なクラスプロトタイプの学習を妨げる。
一般的なメソッドは、視覚的な特徴から直接状態とオブジェクトを分離することに集中し、データの観点から生じる可能性のある拡張を無視する。
実験では, 上記の問題による結果が, ロングテール分布に近似することを示した。
解として、CZSLを近似クラス不均衡問題に変換する。
CZSLの長尾分布におけるクラスの役割を数学的に推定する。
この知見に基づいて, 合成による視覚バイアスを分類器の訓練と推定に組み込むことにより, 事前の近似クラスとして推定する。
この強化により、分類器は各構成の識別可能なクラスプロトタイプを取得し、よりバランスのとれた予測を実現する。
実験の結果,提案手法はパラメータを付加することなく,モデルの性能を最先端レベルに引き上げることを示した。
私たちのコードは \url{https://github.com/LanchJL/ProLT-CZSL} で利用可能です。
関連論文リスト
- Contextual Interaction via Primitive-based Adversarial Training For Compositional Zero-shot Learning [23.757252768668497]
合成ゼロショット学習(CZSL)は、既知の属性オブジェクト対を通じて新規な合成を識別することを目的としている。
CZSLタスクの最大の課題は、属性とオブジェクトの視覚的プリミティブの間の複雑な相互作用によって導入された大きな相違にある。
本稿では,モデルに依存しない原始的適応学習(PBadv)手法を提案する。
論文 参考訳（メタデータ） (2024-06-21T08:18:30Z) - Hierarchical Visual Primitive Experts for Compositional Zero-Shot
Learning [52.506434446439776]
合成ゼロショット学習(CZSL)は、既知のプリミティブ(属性とオブジェクト)の事前知識で構成を認識することを目的としている。
このような問題に対処するために,コンポジショントランスフォーマー(CoT)と呼ばれるシンプルでスケーラブルなフレームワークを提案する。
提案手法は,MIT-States,C-GQA,VAW-CZSLなど,いくつかのベンチマークでSoTA性能を実現する。
論文 参考訳（メタデータ） (2023-08-08T03:24:21Z) - Prompting Language-Informed Distribution for Compositional Zero-Shot Learning [73.49852821602057]
合成ゼロショット学習(CZSL)タスクは、目に見えない合成視覚概念を認識することを目的としている。
本稿では,タスクに対して言語インフォームド分布(PLID)を指示するモデルを提案する。
MIT-States、UT-Zappos、C-GQAデータセットの実験結果は、PLIDの先行技術よりも優れた性能を示している。
論文 参考訳（メタデータ） (2023-05-23T18:00:22Z) - Mutual Balancing in State-Object Components for Compositional Zero-Shot
Learning [0.0]
合成ゼロショット学習(CZSL)は、目に見えない状態や物体から未知の合成を認識することを目的としている。
そこで本研究では,CZSLのSTate-Object Components (MUST) におけるMUtual Balanceと呼ばれる新しい手法を提案する。
我々のアプローチは、MIT-States、UT-Zappos、C-GQAといった基本的なCZSLフレームワークと組み合わせることで、最先端のCZSLよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-11-19T10:21:22Z) - ProCC: Progressive Cross-primitive Compatibility for Open-World
Compositional Zero-Shot Learning [29.591615811894265]
Open-World Composal Zero-shot Learning (OW-CZSL) は、コンポジション空間に先立って、画像中の状態とオブジェクトプリミティブの新規なコンポジションを認識することを目的としている。
本稿では,OW-CZSLタスクの学習過程を模倣する,Progressive Cross-primitive Compatibility (ProCC) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-11-19T10:09:46Z) - Constructing Balance from Imbalance for Long-tailed Image Recognition [50.6210415377178]
多数派(頭)クラスと少数派(尾)クラスの不均衡は、データ駆動のディープニューラルネットワークを著しく歪ませる。
従来の手法では、データ分散、特徴空間、モデル設計の観点からデータ不均衡に対処していた。
ラベル空間を段階的に調整し,ヘッドクラスとテールクラスを分割することで,簡潔なパラダイムを提案する。
提案モデルでは,特徴評価手法も提供し,長期的特徴学習の道を開く。
論文 参考訳（メタデータ） (2022-08-04T10:22:24Z) - CoSSL: Co-Learning of Representation and Classifier for Imbalanced
Semi-Supervised Learning [98.89092930354273]
本稿では,非バランスなSSLのための非結合表現学習と分類器学習を用いた新しいコラーニングフレームワーク(CoSSL)を提案する。
データ不均衡に対処するため、分類器学習のためのTFE(Tail-class Feature Enhancement)を考案した。
実験により,本手法は様々な分散分布において,他の手法よりも優れた性能を示すことが示された。
論文 参考訳（メタデータ） (2021-12-08T20:13:13Z) - Improving Tail-Class Representation with Centroid Contrastive Learning [145.73991900239017]
本稿では,長い尾を持つ表現学習を改善するために,補間型セントロイドコントラスト学習(ICCL)を提案する。
ICCLは、クラス別サンプルとクラス別サンプルの2つの画像を補間し、ICCLの表現が両方のソースクラスのセントロイドを取得するために使用されるようにモデルを訓練する。
我々の結果は、現実世界の長い尾の分布を持つiNaturalist 2018データセットで2.8%の精度向上を示した。
論文 参考訳（メタデータ） (2021-10-19T15:24:48Z) - Class-Balanced Distillation for Long-Tailed Visual Recognition [100.10293372607222]
実世界のイメージはしばしばクラスごとの画像数の著しい不均衡によって特徴づけられ、ロングテール分布に繋がる。
本研究では、インスタンスサンプリングで学習した特徴表現が長尾設定では最適とは程遠いという重要な観察を行うことで、新しいフレームワークを提案する。
我々の主な貢献は、知識蒸留を利用して特徴表現を強化する新しい訓練方法である。
論文 参考訳（メタデータ） (2021-04-12T08:21:03Z) - Transductive Zero-Shot Learning by Decoupled Feature Generation [30.664199050468472]
本稿では,未確認のクラスからの未表示の視覚データを利用できるトランスダクティブ・セッティングに着目する。
本稿では,現実的な視覚的特徴を生成し,意味的属性を視覚的手がかりに変換するタスクを分離することを提案する。
本研究は,提案手法の有効性を解明する上で,関連する最先端技術に対する優位性を実証するための詳細なアブレーション研究である。
論文 参考訳（メタデータ） (2021-02-05T16:17:52Z)
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。