論文の概要: Robust Remote Sensing Image-Text Retrieval with Noisy Correspondence

• arxiv url: http://arxiv.org/abs/2603.28134v1
• Date: Mon, 30 Mar 2026 07:55:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.288193
• Title: Robust Remote Sensing Image-Text Retrieval with Noisy Correspondence
• Title（参考訳）: 雑音対応型ロバストリモートセンシング画像検索
• Abstract要約: 本稿では、人間の認知学習パターンを模倣する自己評価学習戦略を設計する、新しいロバストリモートセンシング画像-テキスト検索(RRSITR)パラダイムを提案する。 3つの人気のあるベンチマークデータセットの実験により、提案されたRRSITRは最先端の手法よりも大幅に優れていることが示された。
• 参考スコア（独自算出の注目度）: 24.863417464867776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a pivotal task that bridges remote visual and linguistic understanding, Remote Sensing Image-Text Retrieval (RSITR) has attracted considerable research interest in recent years. However, almost all RSITR methods implicitly assume that image-text pairs are matched perfectly. In practice, acquiring a large set of well-aligned data pairs is often prohibitively expensive or even infeasible. In addition, we also notice that the remote sensing datasets (e.g., RSITMD) truly contain some inaccurate or mismatched image text descriptions. Based on the above observations, we reveal an important but untouched problem in RSITR, i.e., Noisy Correspondence (NC). To overcome these challenges, we propose a novel Robust Remote Sensing Image-Text Retrieval (RRSITR) paradigm that designs a self-paced learning strategy to mimic human cognitive learning patterns, thereby learning from easy to hard from multi-modal data with NC. Specifically, we first divide all training sample pairs into three categories based on the loss magnitude of each pair, i.e., clean sample pairs, ambiguous sample pairs, and noisy sample pairs. Then, we respectively estimate the reliability of each training pair by assigning a weight to each pair based on the values of the loss. Further, we respectively design a new multi-modal self-paced function to dynamically regulate the training sequence and weights of the samples, thus establishing a progressive learning process. Finally, for noisy sample pairs, we present a robust triplet loss to dynamically adjust the soft margin based on semantic similarity, thereby enhancing the robustness against noise. Extensive experiments on three popular benchmark datasets demonstrate that the proposed RRSITR significantly outperforms the state-of-the-art methods, especially in high noise rates. The code is available at: https://github.com/MSFLabX/RRSITR
• Abstract（参考訳）: 遠隔の視覚的・言語的理解を橋渡しする重要なタスクとして、リモートセンシング画像-テキスト検索(RSITR)は近年、かなりの研究関心を集めている。 しかしながら、ほとんどのRSITRメソッドは、画像とテキストのペアが完全に一致していると暗黙的に仮定している。 実際には、十分な整合性のあるデータペアの大規模な取得は、しばしば違法にコストがかからないか、あるいは不可能である。 さらに、リモートセンシングデータセット(例:RSITMD)には、不正確な画像のテキスト記述がいくつか含まれていることにも気付きました。 以上の結果から,RSITRにおける重要な問題,すなわちノイズ対応(NC)が明らかになった。 これらの課題を克服するために,人間の認知学習パターンを模倣する自己評価学習戦略を設計し,NCを用いたマルチモーダルデータから容易に学習できるRobust Remote Sensing Image-Text Retrieval(RRSITR)パラダイムを提案する。 具体的には、まず、各ペアの損失の大きさ、すなわちクリーンなサンプルペア、あいまいなサンプルペア、ノイズの多いサンプルペアに基づいて、すべてのトレーニングサンプルペアを3つのカテゴリに分割する。 そして,損失の値に基づいて各ペアに重みを割り当てることで,各トレーニングペアの信頼性を推定する。 さらに,サンプルのトレーニングシーケンスと重みを動的に制御するマルチモーダル・セルフペースト関数を設計し,プログレッシブ・ラーニング・プロセスを確立する。 最後に,雑音のあるサンプル対に対して,意味的類似性に基づいてソフトマージンを動的に調整する頑健な三重項損失を提示し,ノイズに対する頑健性を高める。 3つの一般的なベンチマークデータセットに対する大規模な実験により、提案されたRRSITRは最先端の手法、特に高雑音速度において著しく優れていた。 コードは、https://github.com/MSFLabX/RRSITRで入手できる。

関連論文リスト

• Focus When Necessary: Adaptive Routing and Collaborative Grounding for Training-Free Visual Grounding [56.38477453373368]
  LazyMCoTは動的でトレーニング不要なフレームワークで、サンプルの難易度に基づいて視覚的接地作業を適応的に割り当てる。 LazyMCoTは、推論精度を同時に改善し、平均推論レイテンシを低減することで、トレーニングベースのアプローチと競合する。
  論文  参考訳（メタデータ） (2026-06-15T03:17:44Z)
• ConeSep: Cone-based Robust Noise-Unlearning Compositional Network for Composed Image Retrieval [60.051600134831226]
  本稿では,アノテーションによるノイズトリプル対応 (NTC) 問題を系統的に検討する。 我々は,これらの課題に対処するために,コーンベースのrobuSt noisE-unlearning comPositional network (ConeSep)を提案する。
  論文  参考訳（メタデータ） (2026-04-22T08:59:21Z)
• HABIT: Chrono-Synergia Robust Progressive Learning Framework for Composed Image Retrieval [32.85064790572752]
  Composed Image Retrieval (CIR) はフレキシブルな画像検索パラダイムであり、ユーザーがターゲット画像の正確な位置を特定することができる。 本稿では、合成画像検索(HABIT)のためのcHrono-synergiA roBustプログレッシブIve学習フレームワークを提案する。 2つの標準CIRデータセットで実施された実験により、HABITは様々なノイズ比でほとんどの手法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2026-04-20T10:02:18Z)
• Dynamic Uncertainty Learning with Noisy Correspondence for Text-Based Person Search [5.4593658173370985]
  大規模なテキストイメージデータセットは、ミスマッチしたペアから生成される。 既存の手法はしばしばノイズを増幅する負のサンプルに焦点を当てる。 動的不確実性共起・アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-10T08:35:36Z)
• NCL-CIR: Noise-aware Contrastive Learning for Composed Image Retrieval [16.460121977322224]
  Composed Image Retrieval (CIR)は、画像と修正テキストを組み合わせてターゲットをピンポイントするマルチモーダルクエリを用いて、ターゲット画像の検索を試みる。 ペアは、不正確な修正テキスト、品質の低いターゲット画像、アノテーションエラーなどの問題により、部分的にあるいは完全に一致しないことが多い。 重み補償ブロック (WCB) と雑音対フィルタブロック (NFB) の2つの主要な構成要素からなるCIR (NCL-CIR) のためのノイズ対応コントラスト学習法を提案する。
  論文  参考訳（メタデータ） (2025-04-06T03:27:23Z)
• TSVC:Tripartite Learning with Semantic Variation Consistency for Robust Image-Text Retrieval [11.874979105806243]
  クロスモーダル検索は意味的関連性を通して異なるモダリティの下でデータをマップする。 既存のアプローチでは、データペアが適切に整合しており、広く存在するアノテーションノイズを無視していると暗黙的に仮定している。 本稿では,画像テキスト検索のための意味変化一貫性(TSVC)を用いた三部学習を提案する。
  論文  参考訳（メタデータ） (2025-01-19T04:05:08Z)
• Unified Speech Recognition: A Single Model for Auditory, Visual, and Audiovisual Inputs [73.74375912785689]
  本稿では,音声認識システムのための統合学習戦略を提案する。 3つのタスクの1つのモデルをトレーニングすることで、VSRとAVSRの性能が向上することを示す。 また,非ラベル標本をより効果的に活用するために,強欲な擬似ラベリング手法を導入する。
  論文  参考訳（メタデータ） (2024-11-04T16:46:53Z)
• Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
  本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。 提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
  論文  参考訳（メタデータ） (2023-08-19T05:34:13Z)
• RaSa: Relation and Sensitivity Aware Representation Learning for Text-based Person Search [51.09723403468361]
  関係性と感性を考慮した表現学習法(RaSa)を提案する。 RaSaにはリレーショナル・アウェア・ラーニング(RA)と感性・アウェア・ラーニング(SA)という2つの新しいタスクが含まれている。 実験によると、RaSaは既存の最先端メソッドを6.94%、4.45%、および15.35%で上回っている。
  論文  参考訳（メタデータ） (2023-05-23T03:53:57Z)
• Modality-Aware Triplet Hard Mining for Zero-shot Sketch-Based Image Retrieval [51.42470171051007]
  本稿では,ZES-SBIR(Zero-Shot Sketch-Based Image Retrieval)問題に,クロスモダリティメトリック学習の観点から取り組む。 DMLにおける2つの基本的な学習手法、例えば分類訓練とペアトレーニングを組み合わせることで、ZS-SBIRの強力なベースラインを構築した。 モータリティ・アウェア・トリプルト・ハード・マイニング(MATHM)は3種類のペア・ラーニングによってベースラインを向上することを示す。
  論文  参考訳（メタデータ） (2021-12-15T08:36:44Z)

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。