論文の概要: Learning Semantic-Aware Threshold for Multi-Label Image Recognition with Partial Labels

• arxiv url: http://arxiv.org/abs/2507.23263v1
• Date: Thu, 31 Jul 2025 05:54:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:09.123419
• Title: Learning Semantic-Aware Threshold for Multi-Label Image Recognition with Partial Labels
• Title（参考訳）: 部分ラベルを用いた複数ラベル画像認識のための意味認識閾値の学習
• Authors: Haoxian Ruan, Zhihua Xu, Zhijing Yang, Guang Ma, Jieming Xie, Changxiang Fan, Tianshui Chen,
• Abstract要約: 部分ラベル付きマルチラベル画像認識(MLR-PL)は、既知のラベルと未知のラベルを混合してモデルを訓練するように設計されている。 従来の手法は、識別されていないラベルの擬似ラベルを作成するために意味的あるいは特徴的相関に依存する。 本研究では,Semantic-Aware Threshold Learning (SATL)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 12.477433449244543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-label image recognition with partial labels (MLR-PL) is designed to train models using a mix of known and unknown labels. Traditional methods rely on semantic or feature correlations to create pseudo-labels for unidentified labels using pre-set thresholds. This approach often overlooks the varying score distributions across categories, resulting in inaccurate and incomplete pseudo-labels, thereby affecting performance. In our study, we introduce the Semantic-Aware Threshold Learning (SATL) algorithm. This innovative approach calculates the score distribution for both positive and negative samples within each category and determines category-specific thresholds based on these distributions. These distributions and thresholds are dynamically updated throughout the learning process. Additionally, we implement a differential ranking loss to establish a significant gap between the score distributions of positive and negative samples, enhancing the discrimination of the thresholds. Comprehensive experiments and analysis on large-scale multi-label datasets, such as Microsoft COCO and VG-200, demonstrate that our method significantly improves performance in scenarios with limited labels.
• Abstract（参考訳）: 部分ラベル付きマルチラベル画像認識(MLR-PL)は、既知のラベルと未知のラベルを混合してモデルを訓練するように設計されている。 従来の手法はセマンティックや特徴相関に頼り、事前設定しきい値を用いて識別されていないラベルの擬似ラベルを作成する。 このアプローチは、カテゴリ毎に異なるスコア分布を見落とし、結果として不正確で不完全な擬似ラベルとなり、パフォーマンスに影響を及ぼす。 本研究では,Semantic-Aware Threshold Learning (SATL)アルゴリズムを提案する。 この革新的なアプローチは、各カテゴリ内の正と負の両方のサンプルのスコア分布を計算し、これらの分布に基づいてカテゴリ固有のしきい値を決定する。 これらの分布と閾値は学習プロセスを通して動的に更新される。 さらに,正値と負値のスコア分布の有意なギャップを確立するために,差分ランキング損失を実装し,閾値の識別を高める。 Microsoft COCOやVG-200のような大規模マルチラベルデータセットに関する総合的な実験と分析により,本手法は限られたラベルを持つシナリオにおける性能を著しく向上させることを示した。

関連論文リスト

• CVOCSemRPL: Class-Variance Optimized Clustering, Semantic Information Injection and Restricted Pseudo Labeling based Improved Semi-Supervised Few-Shot Learning [4.3149314441871205]
  半教師付き数発の学習環境では、かなりの量のラベルなしサンプルが利用可能である。 このようなラベルのないサンプルは一般に入手しやすく、モデルの数発の学習性能を向上させるために使用できる。 本稿では,クラスタリングを改善するためにモデルが学習した表現の改善に焦点をあて,その結果,モデル性能について述べる。
  論文  参考訳（メタデータ） (2025-01-24T11:14:35Z)
• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Category-Adaptive Label Discovery and Noise Rejection for Multi-label Image Recognition with Partial Positive Labels [78.88007892742438]
  部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。 これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。 我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
  論文  参考訳（メタデータ） (2022-11-15T02:11:20Z)
• Few-shot Learning for Multi-label Intent Detection [59.66787898744991]
  State-of-the-art work estimates label-instancelevance scores and using threshold to select multiple associated intent labels。 2つのデータセットの実験により、提案モデルが1ショットと5ショットの両方の設定において強いベースラインを著しく上回ることが示された。
  論文  参考訳（メタデータ） (2020-10-11T14:42:18Z)
• Learning Image Labels On-the-fly for Training Robust Classification Models [13.669654965671604]
  ノイズの多いアノテーション(例えば、異なるアルゴリズムベースのラベル付け子から)を一緒に利用し、相互に分類タスクの学習に役立てることができるかを示す。 メタトレーニングベースのラベルサンプリングモジュールは、追加のバックプロパゲーションプロセスを通じてモデル学習の恩恵を受けるラベルに出席するように設計されている。
  論文  参考訳（メタデータ） (2020-09-22T05:38:44Z)
• Evolving Multi-label Classification Rules by Exploiting High-order Label Correlation [2.9822184411723645]
  マルチラベル分類タスクでは、各問題インスタンスは同時に複数のクラスに関連付けられている。 ラベル間の相関は、ペアワイズ相関の取得や高次相関の活用など、様々なレベルで利用することができる。 本稿では,教師付き学習分類器システムを用いて,ラベルのサブセット内での高次ラベル相関を利用することを目的とする。
  論文  参考訳（メタデータ） (2020-07-22T18:13:12Z)

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。