論文の概要: Cluster-Aware Similarity Diffusion for Instance Retrieval

• arxiv url: http://arxiv.org/abs/2406.02343v1
• Date: Tue, 4 Jun 2024 14:19:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 16:00:43.788439
• Title: Cluster-Aware Similarity Diffusion for Instance Retrieval
• Title（参考訳）: インスタンス検索のためのクラスタ対応類似性拡散
• Authors: Jifei Luo, Hantao Yao, Changsheng Xu,
• Abstract要約: 拡散に基づく再ランク付け(diffusion-based re-level)は、隣り合うグラフで類似性の伝播を実行することで、インスタンスを検索する一般的な方法である。 本稿では,新しいクラスタ・アウェア類似性(CAS)拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 64.40171728912702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-based re-ranking is a common method used for retrieving instances by performing similarity propagation in a nearest neighbor graph. However, existing techniques that construct the affinity graph based on pairwise instances can lead to the propagation of misinformation from outliers and other manifolds, resulting in inaccurate results. To overcome this issue, we propose a novel Cluster-Aware Similarity (CAS) diffusion for instance retrieval. The primary concept of CAS is to conduct similarity diffusion within local clusters, which can reduce the influence from other manifolds explicitly. To obtain a symmetrical and smooth similarity matrix, our Bidirectional Similarity Diffusion strategy introduces an inverse constraint term to the optimization objective of local cluster diffusion. Additionally, we have optimized a Neighbor-guided Similarity Smoothing approach to ensure similarity consistency among the local neighbors of each instance. Evaluations in instance retrieval and object re-identification validate the effectiveness of the proposed CAS, our code is publicly available.
• Abstract（参考訳）: 拡散に基づく再ランク付け(diffusion-based re-level)は、隣り合うグラフで類似性の伝播を実行することで、インスタンスを検索する一般的な方法である。 しかし、ペアのインスタンスをベースとした親和性グラフを構成する既存の手法は、外れ値や他の多様体からの誤情報を伝播させ、不正確な結果をもたらす可能性がある。 そこで本研究では,新しいクラスタ・アウェア類似性(CAS)拡散モデルを提案する。 CAS の第一の概念は局所クラスタ内で類似性拡散を行うことであり、これは他の多様体からの影響を明示的に減少させることである。 対称的かつ滑らかな類似性行列を得るために、我々の双方向類似性拡散戦略は、局所クラスタ拡散の最適化目的に逆制約項を導入する。 さらに、各インスタンスの局所的隣人間の類似性整合性を確保するために、Neighbor-guided similarity Smoothingアプローチを最適化した。 サンプル検索とオブジェクト再同定の結果,提案したCASの有効性が検証され,コードが公開されている。

関連論文リスト

• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Retrieval-Augmented Classification with Decoupled Representation [31.662843145399044]
  そこで本研究では,KNN(Kk$-nearest-neighbor)に基づく拡張分類検索手法を提案する。 分類と検索の共有表現がパフォーマンスを損なうことや,トレーニングの不安定化につながることが判明した。 本手法は,幅広い分類データセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-03-23T06:33:06Z)
• Unsupervised Hashing with Similarity Distribution Calibration [127.34239817201549]
  教師なしハッシュ法は、特徴空間内のデータポイント間の類似性をバイナリハッシュコードにマッピングすることで保存することを目的としている。 これらの方法は、連続的な特徴空間におけるデータポイント間の類似性が離散的なハッシュコード空間に保存されないという事実をしばしば見落としている。 類似性範囲はコードの長さによって制限され、類似性崩壊と呼ばれる問題を引き起こす可能性がある。 本稿では,この問題を緩和する新しい類似度分布法を提案する。
  論文  参考訳（メタデータ） (2023-02-15T14:06:39Z)
• Shift of Pairwise Similarities for Data Clustering [7.462336024223667]
  正規化項がクラスタの2乗サイズの和である場合を考察し、ペアの類似性の適応正規化に一般化する。 これは、ペアの類似性を(適切に)シフトさせ、それらのうちのいくつかを負にする可能性がある。 そこで我々は,新しいクラスタリング問題を解くために,高速な理論的収束率を持つ効率的な局所探索最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-10-25T16:55:07Z)
• Instance Similarity Learning for Unsupervised Feature Representation [83.31011038813459]
  教師なし特徴表現のための例類似性学習(ISL)手法を提案する。 我々はGAN(Generative Adversarial Networks)を用いて、基礎となる特徴多様体をマイニングする。 画像分類実験は, 最先端手法と比較して, 提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2021-08-05T16:42:06Z)
• Similarity Based Stratified Splitting: an approach to train better classifiers [0.0]
  出力空間情報と入力空間情報の両方を用いてデータを分割する類似性に基づく階層分割手法を提案する。 提案手法を,マルチ層パーセプトロン,サポートベクトルマシン,ランダムフォレスト,K-Nearest Neighborsなどの分類器を用いたベンチマークデータセットで評価した。
  論文  参考訳（メタデータ） (2020-10-13T01:07:48Z)
• Near-Optimal Comparison Based Clustering [7.930242839366938]
  提案手法は, ほぼ最適な比較数を用いて, 植え付けクラスタリングを復元できることを示す。 理論的知見を実証的に検証し,実データ上での手法の良好な振る舞いを実証する。
  論文  参考訳（メタデータ） (2020-10-08T12:03:13Z)
• LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
  ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。 本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
  論文  参考訳（メタデータ） (2020-06-17T17:58:10Z)

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。