論文の概要: Task-Guided Multi-Annotation Triplet Learning for Remote Sensing Representations

• arxiv url: http://arxiv.org/abs/2604.03837v1
• Date: Sat, 04 Apr 2026 19:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.789119
• Title: Task-Guided Multi-Annotation Triplet Learning for Remote Sensing Representations
• Title（参考訳）: リモートセンシング表現のためのタスクガイド型マルチアノテーショントリプレット学習
• Authors: Meilun Zhou, Alina Zare,
• Abstract要約: 以前の三重項損失法は、様々なアノテーション間の監督のバランスをとるために静的重みに頼っていた。 提案したタスク誘導三重項損失は,三重項を相互情報化基準で選択することで,この依存を除去する。 実験により、タスク対応三重項選択は下流タスクに対してより効果的な共有表現を生成することが示された。
• 参考スコア（独自算出の注目度）: 2.5700571547896103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prior multi-task triplet loss methods relied on static weights to balance supervision between various types of annotation. However, static weighting requires tuning and does not account for how tasks interact when shaping a shared representation. To address this, the proposed task-guided multi-annotation triplet loss removes this dependency by selecting triplets through a mutual-information criteria that identifies triplets most informative across tasks. This strategy modifies which samples influence the representation rather than adjusting loss magnitudes. Experiments on an aerial wildlife dataset compare the proposed task-guided selection against several triplet loss setups for shaping a representation in an effective multi-task manner. The results show improved classification and regression performance and demonstrate that task-aware triplet selection produces a more effective shared representation for downstream tasks.
• Abstract（参考訳）: 従来のマルチタスク三重項損失法は、様々なアノテーション間の監督のバランスをとるために静的重みに頼っていた。 しかし、静的重み付けはチューニングを必要とし、共有表現を形成する際にタスクがどのように相互作用するかを考慮しない。 これを解決するために、タスク誘導型マルチアノテーション三重項損失は、タスク間で最も有意な三重項を識別する相互情報基準によって三重項を選択することにより、この依存を除去する。 この戦略は、損失の大きさを調整するのではなく、どのサンプルが表現に影響を与えるかを変更する。 空中野生生物データセットの実験は、提案した課題誘導選択と、効果的なマルチタスク方式で表現を形作るためのいくつかの三重項損失設定を比較した。 その結果、分類と回帰性能が向上し、タスク対応三重項選択が下流タスクをより効果的に共有表現できることを示した。

関連論文リスト

• Learning Task-Agnostic Representations through Multi-Teacher Distillation [59.488314181423284]
  本稿では,「多数決」目的関数に基づくタスク非依存フレームワークを提案する。 この機能は,学生と教師の埋め込みの相互情報に縛られていることを実証する。 提案手法は,教師の多様性を効果的に活用し,多様な下流タスクのパフォーマンス向上を実現する。
  論文  参考訳（メタデータ） (2025-10-21T14:36:33Z)
• Task Adaptive Feature Distribution Based Network for Few-shot Fine-grained Target Classification [16.575362884459963]
  タスク適応型特徴分散ネットワークであるTAFD-Netを提案する。 タスクレベルのニュアンスをキャプチャするための組み込みのためのタスク適応コンポーネント、クエリサンプルとサポートカテゴリ間の特徴分布の類似性を計算するための非対称メトリック、パフォーマンスを高めるための対照的な測定戦略を備えている。
  論文  参考訳（メタデータ） (2024-10-13T10:56:09Z)
• RepVF: A Unified Vector Fields Representation for Multi-task 3D Perception [64.80760846124858]
  本稿では,様々な知覚タスクの表現を調和させる新しい統一表現RepVFを提案する。 RepVFは、ベクトル場を通じてシーン内の異なるターゲットの構造を特徴付け、シングルヘッドでマルチタスクの学習モデルを可能にする。 RepVF 上に構築された RFTR は,タスク間の固有性を利用したネットワークである。
  論文  参考訳（メタデータ） (2024-07-15T16:25:07Z)
• Multi-threshold Deep Metric Learning for Facial Expression Recognition [60.26967776920412]
  本稿では,難易度検証を回避する多閾値深度学習手法を提案する。 その結果,三重項損失のそれぞれの閾値は本質的にクラス間変動の特異な分布を決定することがわかった。 埋め込み層はスライスで構成されており、より情報的で差別的な特徴である。
  論文  参考訳（メタデータ） (2024-06-24T08:27:31Z)
• Triple Disentangled Representation Learning for Multimodal Affective Analysis [20.37986194570143]
  マルチモーダル学習は感情分析タスクにおいて大きな優位性を示した。 多くの新しい研究は、入力データからモダリティ不変およびモダリティ固有表現を切り離し、予測のためにそれらを融合することに焦点を当てている。 入力データから、モダリティ不変量、有効モダリティ特化度、非効率モダリティ特化度をアンタングル化する新しい三重非アンタングル化手法TriDiRAを提案する。
  論文  参考訳（メタデータ） (2024-01-29T12:45:27Z)
• Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
  近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。 本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T12:26:34Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• Adjacency List Oriented Relational Fact Extraction via Adaptive Multi-task Learning [24.77542721790553]
  本稿では,すべての事実抽出モデルをグラフ指向分析の観点から整理可能であることを示す。 この分析枠組みに基づいて,効率的なモデルaDjacency lIst oRientational faCT(Direct)を提案する。
  論文  参考訳（メタデータ） (2021-06-03T02:57:08Z)

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。