Fugu-MT 論文翻訳(概要): Label Propagation for Zero-shot Classification with Vision-Language Models

論文の概要: Label Propagation for Zero-shot Classification with Vision-Language Models

arxiv url: http://arxiv.org/abs/2404.04072v1
Date: Fri, 5 Apr 2024 12:58:07 GMT
ステータス: 処理完了
システム内更新日: 2024-04-08 16:05:12.558934
Title: Label Propagation for Zero-shot Classification with Vision-Language Models
Title（参考訳）: 視覚言語モデルを用いたゼロショット分類のためのラベル伝搬
Authors: Vladan Stojnić, Yannis Kalantidis, Giorgos Tolias,
Abstract要約: 本稿では,ラベルなしデータの存在下でのゼロショット分類に挑戦する。分類に測地距離を利用するラベル伝搬(LP)に基づくZLaPを導入する。提案手法の有効性を14の共通データセットで評価し,ZLaPが最新の研究より優れていることを示す。
参考スコア（独自算出の注目度）: 17.50253820510074
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vision-Language Models (VLMs) have demonstrated impressive performance on zero-shot classification, i.e. classification when provided merely with a list of class names. In this paper, we tackle the case of zero-shot classification in the presence of unlabeled data. We leverage the graph structure of the unlabeled data and introduce ZLaP, a method based on label propagation (LP) that utilizes geodesic distances for classification. We tailor LP to graphs containing both text and image features and further propose an efficient method for performing inductive inference based on a dual solution and a sparsification step. We perform extensive experiments to evaluate the effectiveness of our method on 14 common datasets and show that ZLaP outperforms the latest related works. Code: https://github.com/vladan-stojnic/ZLaP
Abstract（参考訳）: VLM(Vision-Language Models)は、ゼロショット分類において印象的な性能を示す。本稿では,ラベルなしデータの存在下でのゼロショット分類に挑戦する。ラベルのないデータのグラフ構造を利用し、分類に測地距離を利用するラベル伝搬(LP)に基づくZLaPを導入する。テキスト特徴と画像特徴の両方を含むグラフに対してLPを調整し、さらに、二重解とスパーシフィケーションステップに基づく帰納的推論を効率的に行う方法を提案する。提案手法の有効性を14の共通データセットで評価し,ZLaPが最新の研究より優れていることを示す。コード:https://github.com/vladan-stojnic/ZLaP

関連論文リスト

Label Set Optimization via Activation Distribution Kurtosis for Zero-shot Classification with Generative Models [10.699636123243138]
In-context Learning (ICL) のパフォーマンスは、迅速な設計に敏感だが、ゼロショット分類におけるクラスラベルオプションの影響は概ね見過ごされている。本研究は,ラベルオプションがゼロショットICL分類性能にどのように影響するかを総合的に調査した最初の事例である。
論文参考訳（メタデータ） (2024-10-24T22:59:23Z)
Posterior Label Smoothing for Node Classification [2.737276507021477]
本稿では,トランスダクティブノード分類タスクに対して,単純かつ効果的なラベル平滑化を提案する。本研究では, ソフトラベルを設計し, 周辺ラベル分布を通じて対象ノードの局所的コンテキストをカプセル化する。以下の分析結果から,大域的なラベル統計を後続計算に組み込むことが,ラベル平滑化の成功の鍵であることが判明した。
論文参考訳（メタデータ） (2024-06-01T11:59:49Z)
VLM-CPL: Consensus Pseudo Labels from Vision-Language Models for Human Annotation-Free Pathological Image Classification [23.08368823707528]
本稿では,VLM(Venture-Language Models)を利用した画像分類法を提案する。 2つのノイズラベルフィルタリング技術と半教師付き学習戦略を統合した,コンセンサス擬似ラベルに基づく新しい手法 VLM-CPL を提案する。実験の結果,HPHデータセットとLC25Kデータセットの精度は87.1%,95.1%であった。
論文参考訳（メタデータ） (2024-03-23T13:24:30Z)
LaFTer: Label-Free Tuning of Zero-shot Classifier using Language and Unlabeled Image Collections [30.875186985461063]
大規模事前訓練型ビジョン・アンド・ランゲージ(VL)モデルでは、ゼロショット視覚分類において新しい最先端(SOTA)が設定されている。初めて、ラベルなしで、ペア化されたVLデータなしで、このギャップを減らせる方法を示します。
論文参考訳（メタデータ） (2023-05-29T17:56:35Z)
LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
論文参考訳（メタデータ） (2022-10-14T19:13:36Z)
Binary Classification with Positive Labeling Sources [71.37692084951355]
WEAPOは、負のラベル付け源を使わずにトレーニングラベルを作成するための、シンプルで競争力のあるWS手法である。 We show WEAPO achieve the highest averaged performance on 10 benchmark datasets。
論文参考訳（メタデータ） (2022-08-02T19:32:08Z)
Self-Adaptive Label Augmentation for Semi-supervised Few-shot Classification [121.63992191386502]
Few-shotの分類は、ラベル付きサンプルがわずかにあれば、新しいタスクをうまく一般化できるモデルを学ぶことを目的としている。そこで本研究では,手動で定義した指標を用いて,ラベルのない各サンプルに適切なラベルを割り当てる半教師付き小ショット分類手法を提案する。 SALAの目新しいところは、タスク適応計量であり、エンドツーエンドの方法で異なるタスクに対するメトリックを適応的に学習することができる。
論文参考訳（メタデータ） (2022-06-16T13:14:03Z)
Multi-label Classification with Partial Annotations using Class-aware Selective Loss [14.3159150577502]
大規模なマルチラベル分類データセットは、一般的に部分的に注釈付けされている。部分的なラベリング問題を解析し、2つの重要なアイデアに基づいた解を提案する。われわれの新しいアプローチにより、OpenImagesデータセット上で最先端の結果が得られる。
論文参考訳（メタデータ） (2021-10-21T08:10:55Z)
SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文参考訳（メタデータ） (2021-06-29T08:08:33Z)
SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
論文参考訳（メタデータ） (2020-11-20T08:26:10Z)
An Empirical Study on Large-Scale Multi-Label Text Classification Including Few and Zero-Shot Labels [49.036212158261215]
大規模なMulti-label Text Classification (LMTC) は、幅広い自然言語処理 (NLP) アプリケーションを持つ。 Label-Wise Attention Networks (LWANs) を用いた最新のLMTCモデル確率的ラベル木(PLT)に基づく階層的手法がLWANより優れていることを示す。 BERTとLWANを組み合わせた最先端手法を提案する。
論文参考訳（メタデータ） (2020-10-04T18:55:47Z)

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。