論文の概要: Utilization of Neighbor Information for Image Classification with Different Levels of Supervision

• arxiv url: http://arxiv.org/abs/2503.14500v1
• Date: Tue, 18 Mar 2025 17:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:17:09.247984
• Title: Utilization of Neighbor Information for Image Classification with Different Levels of Supervision
• Title（参考訳）: 監督レベルの異なる画像分類における近隣情報の利用
• Authors: Gihan Jayatilaka, Abhinav Shrivastava, Matthew Gwilliam,
• Abstract要約: 本稿では,GCD (Generalized category discovery) と画像クラスタリングの両方に有効であるフレキシブルな手法を提案する。 本手法は,クラスタリング(+3% ImageNet-100, Imagenet200)とGCD(+0.8% ImageNet-100, +5% CUB, +2% SCars, +4% Aircraft)の両方に対して,最先端の結果が得られる。
• 参考スコア（独自算出の注目度）: 38.350123625613804
• License:
• Abstract: We propose to bridge the gap between semi-supervised and unsupervised image recognition with a flexible method that performs well for both generalized category discovery (GCD) and image clustering. Despite the overlap in motivation between these tasks, the methods themselves are restricted to a single task -- GCD methods are reliant on the labeled portion of the data, and deep image clustering methods have no built-in way to leverage the labels efficiently. We connect the two regimes with an innovative approach that Utilizes Neighbor Information for Classification (UNIC) both in the unsupervised (clustering) and semisupervised (GCD) setting. State-of-the-art clustering methods already rely heavily on nearest neighbors. We improve on their results substantially in two parts, first with a sampling and cleaning strategy where we identify accurate positive and negative neighbors, and secondly by finetuning the backbone with clustering losses computed by sampling both types of neighbors. We then adapt this pipeline to GCD by utilizing the labelled images as ground truth neighbors. Our method yields state-of-the-art results for both clustering (+3% ImageNet-100, Imagenet200) and GCD (+0.8% ImageNet-100, +5% CUB, +2% SCars, +4% Aircraft).
• Abstract（参考訳）: 本稿では,半教師付き画像認識と非教師付き画像認識のギャップを,一般化されたカテゴリ発見(GCD)と画像クラスタリングの両方で良好に機能するフレキシブルな手法で埋め合わせることを提案する。 これらのタスク間のモチベーションの重複にもかかわらず、メソッド自体は単一のタスクに制限されている -- GCDメソッドはラベル付けされたデータ部分に依存しており、ディープイメージクラスタリングメソッドはラベルを効率的に活用するためのビルトイン方法を持っていない。 我々は、2つの体制を、非監督的(クラスタリング)と半監督的(GCD)の両方において、近隣情報分類(UNIC)を利用する革新的なアプローチで結びつける。 最先端のクラスタリング手法は、すでに近隣の都市に大きく依存している。 まず, 正および負の隣人を特定するサンプリング・クリーニング戦略と, 双方の隣人をサンプリングし, クラスタリング損失を算出したバックボーンの微調整を行った。 次に、このパイプラインをGCDに適応させ、ラベル付き画像を基底真実の隣人として活用する。 本手法は,クラスタリング(+3% ImageNet-100, Imagenet200)とGCD(+0.8% ImageNet-100, +5% CUB, +2% SCars, +4% Aircraft)の両方に対して,最先端の結果が得られる。

関連論文リスト

• Contrastive Mean-Shift Learning for Generalized Category Discovery [45.19923199324919]
  一般化圏発見(GCD)の問題に対処する。 我々は平均シフトアルゴリズム、すなわちモード探索のための強力な手法を再検討し、これを対照的な学習フレームワークに組み込む。 提案手法はContrastive Mean-Shift(CMS)学習と呼ばれ,より優れたクラスタリング特性を持つ表現を生成するためにイメージエンコーダを訓練する。
  論文  参考訳（メタデータ） (2024-04-15T04:31:24Z)
• SPTNet: An Efficient Alternative Framework for Generalized Category Discovery with Spatial Prompt Tuning [17.520137576423593]
  Generalized Category Discovery (GCD) は、目に見えない画像と見えない画像の両方を分類することを目的としている。 SPTNetと呼ばれる2段階適応手法を導入し、モデルパラメータとデータパラメータを反復的に最適化する。 提案手法は,標準ベンチマークにおける既存のGCD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-20T15:41:39Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Rethinking Image Forgery Detection via Contrastive Learning and Unsupervised Clustering [26.923409536155166]
  画像偽造検出のためのFOCAL(FOrensic ContrAstive cLustering)法を提案する。 FOCALは対照的な学習と教師なしクラスタリングに基づいている。 その結果、FOCALは最先端の競合アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2023-08-18T05:05:30Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Learning Semi-supervised Gaussian Mixture Models for Generalized Category Discovery [36.01459228175808]
  本稿では,表現学習とクラス数推定を交互に行うEMライクなフレームワークを提案する。 汎用画像分類データセットと細粒度オブジェクト認識データセットの双方について,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-05-10T13:47:38Z)
• Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
  本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。 提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-24T15:36:49Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• SCAN: Learning to Classify Images without Labels [73.69513783788622]
  機能学習とクラスタリングを分離する2段階のアプローチを提唱する。 表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。 我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
  論文  参考訳（メタデータ） (2020-05-25T18:12:33Z)

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。