論文の概要: Adapting Vision-Language Models from Iconic to Inclusive for Multi-Label Recognition Without Labels
- arxiv url: http://arxiv.org/abs/2606.11626v1
- Date: Wed, 10 Jun 2026 03:41:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.27427
- Title: Adapting Vision-Language Models from Iconic to Inclusive for Multi-Label Recognition Without Labels
- Title（参考訳）: ラベルなしマルチラベル認識のためのイコニックから包括的への視覚言語モデルの適用
- Authors: Cheng Chen, Jingyu Zhou, Yifan Zhao, Jia Li,
- Abstract要約: ヴィジュアル言語モデル(VLM)はラベル付きデータなしでゼロショット認識を可能にする。
これらのモデルは、しばしば最も象徴的なオブジェクトを優先順位付けし、他の文脈陽性を省略する。
本稿では,VLMをアイコン認識から包括的理解に適応させる,教師なしのフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 14.373553090930612
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding multi-label images remains a challenging task in computer vision. With the rapid progress of vision-language multimodal learning, vision-language models (VLMs) enable zero-shot recognition without labeled data. However, due to their intrinsic design, these models often prioritize the most iconic object and omit other contextual positives. This intrinsic bias conflicts with the nature of multi-label learning, thereby limiting their applicability. In this work, we propose an unsupervised framework that adapts VLMs from iconic recognition toward inclusive understanding, enabling label-free multi-label image recognition. Our approach consists of two key stages, ``cutting'' and ``sewing'': In the cutting stage, we present the multi-sampling response estimator to prevent the model from concentrating only on one single object. In the second sewing stage, the multi-object blend adaptation is introduced to adjust the labels to better conform to the multi-label distribution while preserving the intrinsic characteristics of the original model within only one epoch. Extensive experiments show that our framework significantly outperforms existing unsupervised approaches on four public datasets, even surpassing several representative weakly supervised baselines. These results demonstrate the potential of adapting pre-trained VLMs for more comprehensive visual understanding without manual annotations. Our code is publicly available at https://github.com/iCVTEAM/TailorCLIP.
- Abstract（参考訳）: マルチラベル画像を理解することは、コンピュータビジョンにおいて難しい課題である。
視覚言語マルチモーダル学習の急速な進歩により、視覚言語モデル(VLM)はラベル付きデータなしでゼロショット認識を可能にする。
しかし、本質的な設計のため、これらのモデルはしばしば最も象徴的な対象を優先し、他の文脈的肯定を省略する。
この本質的なバイアスは、マルチラベル学習の性質と矛盾し、それによって適用性が制限される。
本研究では,VLMをアイコン認識から包括的理解に適応させ,ラベルのないマルチラベル画像認識を実現する,教師なしのフレームワークを提案する。
カット段階では、モデルが1つのオブジェクトにのみ集中することを防ぐためのマルチサンプリング応答推定器を提示する。
第2の縫製段階では、原モデルの本質的な特性を1つのエポック内に保ちながら、ラベルをマルチラベル分布に適合するように調整するために、多目的ブレンド適応を導入する。
大規模な実験により、我々のフレームワークは、4つの公開データセット上で既存の教師なしアプローチを著しく上回り、いくつかの弱教師付きベースラインを超越していることがわかった。
これらの結果は,手動のアノテーションを使わずに,より包括的な視覚理解を実現するために,事前学習されたVLMを適用する可能性を示している。
私たちのコードはhttps://github.com/iCVTEAM/TailorCLIP.comで公開されています。
関連論文リスト
- [CLS] is Not Enough: Multi-Label Recognition via Patch-Level Inference and Adaptive Aggregation [20.637119409165418]
PIAAは、アダプティブアグリゲーション(Adaptive Aggregation)によって、パッチレベルの推論として予測を定式化する。
パッチレベルのスコアを最終的なマルチラベル予測に集約するアダプティブアグリゲーションモジュールを導入する。
実験の結果,提案手法は最小限の余剰計算で強い改善を達成できることがわかった。
論文 参考訳（メタデータ） (2026-05-25T13:19:12Z) - Conformal Cross-Modal Active Learning [16.42479423972555]
Active Learningは、ラベル付けのための最も有益なサンプルを戦略的に選択することで、アノテーションコストを最小限にすることを目的としている。
本稿では,教師-学生アーキテクチャを通じて視覚と言語モダリティを橋渡しする新しいALフレームワークであるConformal Cross-Modal Acquisition (CCMA)を紹介する。
論文 参考訳（メタデータ） (2026-03-24T12:59:47Z) - Unleashing the Power of Vision-Language Models for Long-Tailed Multi-Label Visual Recognition [55.189113121465816]
本稿では,長い尾を持つ多ラベル視覚認識のための新しい相関適応プロンプトネットワーク(CAPNET)を提案する。
CAPNETはCLIPのテキストエンコーダからの相関を明示的にモデル化する。
テスト時間アンサンブルによる一般化を改善し、視覚・テクスチャのモダリティを実現する。
論文 参考訳（メタデータ） (2025-11-25T18:57:28Z) - No Labels Needed: Zero-Shot Image Classification with Collaborative Self-Learning [0.0]
視覚言語モデル(VLM)と、事前学習された視覚モデルを用いた伝達学習は、この問題に対処するための有望な手法として現れる。
本稿では,VLMと事前学習した視覚モデルを組み合わせたゼロショット画像分類フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-23T12:54:52Z) - Towards Generalized Multi-stage Clustering: Multi-view Self-distillation [10.368796552760571]
既存のマルチステージクラスタリング手法は、独立して複数のビューから健全な特徴を学習し、クラスタリングタスクを実行する。
本稿では,多視点自己蒸留(DistilMVC)を導入し,ラベル分布の暗黒知識を抽出する多段階深層MVCフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-29T03:35:34Z) - Noise-Tolerant Few-Shot Unsupervised Adapter for Vision-Language Models [8.59772105902647]
NtUAは、雑音耐性のない教師なし適応器で、非競合なターゲットサンプルをほとんど持たない効果的なターゲットモデルの学習を可能にする。
NtUAは、視覚的特徴を定式化したキー値キャッシュとして機能し、少数の未ラベルのターゲットサンプルの擬似ラベルをキー値ペアとして予測する。
NtUAは、広く採用されている複数のベンチマークにおいて、一貫して優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-09-26T13:35:31Z) - DualCoOp++: Fast and Effective Adaptation to Multi-Label Recognition
with Limited Annotations [79.433122872973]
低ラベル体制における多ラベル画像認識は、大きな課題と実践的重要性の課題である。
我々は、何百万もの補助的な画像テキストペアで事前訓練されたテキストと視覚的特徴の強力なアライメントを活用する。
Evidence-guided Dual Context Optimization (DualCoOp++) という,効率的かつ効果的なフレームワークを導入する。
論文 参考訳（メタデータ） (2023-08-03T17:33:20Z) - Semantic Contrastive Bootstrapping for Single-positive Multi-label
Recognition [36.3636416735057]
本研究では,意味的コントラスト型ブートストラップ法(Scob)を用いて,オブジェクト間の関係を徐々に回復する手法を提案する。
次に、アイコン的オブジェクトレベルの表現を抽出する再帰的セマンティックマスク変換器を提案する。
大規模な実験結果から,提案手法が最先端のモデルを超えていることが示唆された。
論文 参考訳（メタデータ） (2023-07-15T01:59:53Z) - A Simple Long-Tailed Recognition Baseline via Vision-Language Model [92.2866546058082]
視覚の世界は自然にオープンクラスの長い尾の分布を示しており、現代の視覚システムには大きな課題をもたらしている。
視覚認識のための新しい経路におけるコントラスト言語事前学習の最近の進歩
我々は、長い尾の認識にコントラッシブな視覚言語モデルを活用するために、BALLADを提案する。
論文 参考訳（メタデータ） (2021-11-29T17:49:24Z) - Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。
これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。
そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:20:13Z)
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。