論文の概要: Trajectory Regularization Enhances Self-Supervised Geometric Representation
- arxiv url: http://arxiv.org/abs/2403.14973v1
- Date: Fri, 22 Mar 2024 06:04:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-25 18:27:45.634526
- Title: Trajectory Regularization Enhances Self-Supervised Geometric Representation
- Title(参考訳): 軌道正則化は自己教師付き幾何学的表現を促進する
- Authors: Jiayun Wang, Stella X. Yu, Yubei Chen,
- Abstract要約: SSL幾何表現を評価するための新しいポーズ推定ベンチマークを導入する。
意味分類の精度を犠牲にすることなくSSL幾何学的表現の強化について検討する。
中間層表現の活用により,ポーズ推定性能が10~20%向上することが判明した。
- 参考スコア(独自算出の注目度): 40.5076868823241
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-supervised learning (SSL) has proven effective in learning high-quality representations for various downstream tasks, with a primary focus on semantic tasks. However, its application in geometric tasks remains underexplored, partially due to the absence of a standardized evaluation method for geometric representations. To address this gap, we introduce a new pose-estimation benchmark for assessing SSL geometric representations, which demands training without semantic or pose labels and achieving proficiency in both semantic and geometric downstream tasks. On this benchmark, we study enhancing SSL geometric representations without sacrificing semantic classification accuracy. We find that leveraging mid-layer representations improves pose-estimation performance by 10-20%. Further, we introduce an unsupervised trajectory-regularization loss, which improves performance by an additional 4% and improves generalization ability on out-of-distribution data. We hope the proposed benchmark and methods offer new insights and improvements in self-supervised geometric representation learning.
- Abstract(参考訳): 自己教師付き学習(SSL)は、様々な下流タスクの高品質な表現を学習するのに有効であることが証明されており、主にセマンティックタスクに焦点を当てている。
しかし、幾何学的タスクへのその応用は、幾何表現の標準化された評価方法が欠如していることもあって、まだ未解明のままである。
このギャップに対処するために、SSL幾何学的表現を評価するための新しいポーズ推定ベンチマークを導入する。
本ベンチマークでは,意味分類の精度を犠牲にすることなくSSL幾何学的表現の強化について検討する。
中間層表現の活用により,ポーズ推定性能が10~20%向上することが判明した。
さらに、教師なしトラジェクトリ規則化損失を導入し、さらに4%の性能向上と、アウト・オブ・ディストリビューションデータに対する一般化能力の向上を実現した。
提案するベンチマークと手法は,自己教師付き幾何表現学習における新たな洞察と改善をもたらすことを期待する。
関連論文リスト
- Improving Semantic Correspondence with Viewpoint-Guided Spherical Maps [43.836765080689894]
そこで本研究では, 識別的特徴を3次元的理解で補う意味対応推定手法を提案する。
より複雑な3Dパイプラインと比較して、我々のモデルは弱い視点情報しか必要とせず、球面表現の単純さにより、トレーニング中に情報的幾何学的先行情報をモデルに注入することができる。
本研究では,SPair-71kデータセットを用いて,複数のオブジェクトカテゴリにまたがる対称なビューと繰り返し部分の区別が可能であることを実証した。
論文 参考訳(メタデータ) (2023-12-20T17:35:24Z) - Hyperbolic Representation Learning: Revisiting and Advancing [43.1661098138936]
本稿では,現在普及しているhlmを精査する位置追跡機構を導入し,学習された表現が準最適で不満足であることを明らかにする。
本稿では,ノードの双曲的距離から推定されるコストフリーな階層的情報を原点に組み込むことにより,シンプルで効果的な情報埋め込み手法であるハイボリックインフォメーション(HIE)を提案する。
提案手法は, 競合するベースラインに比べて最大21.4%向上した。
論文 参考訳(メタデータ) (2023-06-15T13:25:39Z) - The Geometry of Self-supervised Learning Models and its Impact on
Transfer Learning [62.601681746034956]
自己教師型学習(SSL)はコンピュータビジョンにおいて望ましいパラダイムとして登場した。
本稿では,各特徴空間内の局所的近傍を用いて異なるSSLモデルを分析するためのデータ駆動幾何学的手法を提案する。
論文 参考訳(メタデータ) (2022-09-18T18:15:38Z) - Improving Self-Supervised Learning by Characterizing Idealized
Representations [155.1457170539049]
与えられたデータ拡張に不変なタスクに対して必要かつ十分な条件を証明します。
対照的に、我々のフレームワークは、従来の手法に対して単純だが重要な改善を規定している。
非コントラスト学習では、私たちのフレームワークを使って、シンプルで斬新な目的を導き出します。
論文 参考訳(メタデータ) (2022-09-13T18:01:03Z) - Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。
本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
論文 参考訳(メタデータ) (2021-08-16T11:52:08Z) - Cross-Domain Similarity Learning for Face Recognition in Unseen Domains [90.35908506994365]
本研究では,cdt(cross-domain triplet, クロスドメイントリプレット)の損失を推測する新しいクロスドメインメトリック学習損失法を提案する。
CDT損失は、一つのドメインからコンパクトな特徴クラスタを強制することによって意味論的に意味のある特徴の学習を促進する。
本手法では,トレーニング中,注意深いハードペアサンプルマイニングおよびフィルタリング戦略は必要としない。
論文 参考訳(メタデータ) (2021-03-12T19:48:01Z) - Deep Dimension Reduction for Supervised Representation Learning [51.10448064423656]
本研究は,本質的な特徴を持つ学習表現の次元削減手法を提案する。
提案手法は, 十分次元還元法の非パラメトリック一般化である。
推定された深度非パラメトリック表現は、その余剰リスクが0に収束するという意味で一貫したものであることを示す。
論文 参考訳(メタデータ) (2020-06-10T14:47:43Z) - Adversarial-Prediction Guided Multi-task Adaptation for Semantic
Segmentation of Electron Microscopy Images [5.027571997864707]
本稿では,ラベルのない新規なターゲットドメイン上で使用するための,よく訓練されたモデルの適応を学習するために,逆予測誘導マルチタスクネットワークを導入する。
対象ドメインにラベルが存在しないため、ソースドメイン上の教師付きセグメンテーションだけでなく、対象データの教師なし再構築のための符号化表現も学習する。
論文 参考訳(メタデータ) (2020-04-05T09:18:11Z) - Semantically-Guided Representation Learning for Self-Supervised
Monocular Depth [40.49380547487908]
本稿では,自己教師付き表現学習を指導するために,事前訓練型セマンティックセマンティック・セマンティクス・ネットワークを利用した新しいアーキテクチャを提案する。
本手法は,全画素,細粒度細部,意味カテゴリーごとの自己教師型単眼深度予測のための技術の現状を改善した。
論文 参考訳(メタデータ) (2020-02-27T18:40:10Z)
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。