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

• Measuring the Interpretability of Unsupervised Representations via Quantized Reverse Probing [97.70862116338554]
  本稿では,自己教師付き表現の解釈可能性の測定問題について検討する。 我々は、後者を、表現と手動でラベル付けされた概念の空間の間の相互情報を推定するものとして定式化する。 提案手法は,多人数の自己教師付き表現の評価に利用し,解釈可能性による評価を行う。
  論文  参考訳（メタデータ） (2022-09-07T16:18:50Z)
• Matching Multiple Perspectives for Efficient Representation Learning [0.0]
  本稿では,自己教師型学習とマルチパースペクティブマッチング技術を組み合わせたアプローチを提案する。 我々は,同一オブジェクトの複数ビューと多種多様な自己教師付き事前学習アルゴリズムを組み合わせることで,オブジェクト分類性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-08-16T10:33:13Z)
• Self-Supervised Learning of Object Parts for Semantic Segmentation [7.99536002595393]
  我々は、オブジェクト部品の自己教師型学習がこの問題の解決策であると主張している。 本手法は3つのセマンティックセグメンテーションベンチマークの最先端を17%-3%超える。
  論文  参考訳（メタデータ） (2022-04-27T17:55:17Z)
• Towards Self-Supervised Learning of Global and Object-Centric Representations [4.36572039512405]
  自己スーパービジョンを用いた構造化対象中心表現の学習における重要な側面について論じる。 CLEVRデータセットに関するいくつかの実験を通じて、私たちの洞察を検証します。
  論文  参考訳（メタデータ） (2022-03-11T15:18:47Z)
• Unsupervised Part Discovery from Contrastive Reconstruction [90.88501867321573]
  自己監督型視覚表現学習の目標は、強く伝達可能な画像表現を学習することである。 対象部分の発見とセグメンテーションに対する教師なしアプローチを提案する。 本手法は, 細粒度, 視覚的に異なるカテゴリ間でセマンティックな部分を生成する。
  論文  参考訳（メタデータ） (2021-11-11T17:59:42Z)
• Zero-shot Learning with Deep Neural Networks for Object Recognition [8.572654816871873]
  ゼロショット学習は、視覚的なトレーニングサンプルなしでオブジェクトを認識する能力を扱う。 本章では、ZSL問題に取り組むためのディープニューラルネットワークに基づくアプローチについてレビューする。
  論文  参考訳（メタデータ） (2021-02-05T12:27:42Z)
• Synthesizing the Unseen for Zero-shot Object Detection [72.38031440014463]
  そこで本研究では,視覚領域における視覚的特徴と視覚的対象の両方を学習するために,視覚的特徴を合成することを提案する。 クラスセマンティックスを用いた新しい生成モデルを用いて特徴を生成するだけでなく,特徴を識別的に分離する。
  論文  参考訳（メタデータ） (2020-10-19T12:36:11Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)
• Debiased Contrastive Learning [64.98602526764599]
  我々は,同ラベルデータポイントのサンプリングを補正する,偏りのあるコントラスト目的の開発を行う。 実証的に、提案する目的は、視覚、言語、強化学習ベンチマークにおける表現学習の最先端を一貫して上回る。
  論文  参考訳（メタデータ） (2020-07-01T04:25:24Z)

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。