論文の概要: Unsupervised Data-Efficient Cross-Modal Retrieval with Global-Neighborhood Alignment Hashing

• arxiv url: http://arxiv.org/abs/2606.31517v1
• Date: Tue, 30 Jun 2026 11:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.195393
• Title: Unsupervised Data-Efficient Cross-Modal Retrieval with Global-Neighborhood Alignment Hashing
• Title（参考訳）: 地球近傍アライメントハッシュを用いた教師なしデータ効率のクロスモーダル検索
• Abstract要約: 教師なしのクロスモーダルハッシュ(CMH)は、ラベルなしのイメージテキストペアからバイナリコードを学ぶことで、手動ラベリングへの依存を減らす。 我々は,コンパクトな二元ハミング空間における視覚言語基盤モデルのセマンティック構造を保存する新しいアプローチとして,GNAH(Global-Neighborhood Alignment Hashing)を提案する。
• 参考スコア（独自算出の注目度）: 33.22221387810735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compared to supervised cross-modal hashing (CMH), unsupervised CMH reduces the reliance on manual labeling by learning binary codes from unlabeled image-text pairs. However, existing unsupervised CMH methods often rely on large-scale image-text pairs, which are costly to collect. To address this limitation, we propose Global-Neighborhood Alignment Hashing (GNAH), a novel approach that preserves the semantic structure of vision-language foundation models within a compact binary Hamming space using only a limited number of image-text pairs. Specifically, GNAH captures global structural information from the continuous latent space and transfers it into the binary Hamming space through a Prototype-Anchored Global Alignment module. In addition, GNAH extends conventional pairwise contrastive learning by modeling stochastic neighborhood relationships via a Contrastive Stochastic Neighborhood Alignment module, thereby alleviating overfitting to sparse pairwise correlations. Extensive experiments demonstrate that GNAH consistently outperforms existing unsupervised cross-modal retrieval methods under data-constrained settings, offering a practical solution for real-world CMH applications.
• Abstract（参考訳）: 教師付きクロスモーダルハッシュ(CMH)と比較して、教師なしCMHは、ラベルのない画像とテキストのペアからバイナリコードを学ぶことにより、手動ラベリングへの依存を減らす。 しかし、既存の教師なしCMH法は、しばしば大規模な画像テキストペアに依存しており、収集にコストがかかる。 この制限に対処するため,GNAH (Global-Neighborhood Alignment Hashing) を提案する。 具体的には、GNAHは連続潜伏空間からグローバルな構造情報をキャプチャし、プロトタイプアンコールドグローバルアライメントモジュールを介して二元ハミング空間に転送する。 さらに、GNAHは、確率的近傍関係をContrastive Stochastic Neighborhood Alignmentモジュールを介してモデル化することにより、従来の対向学習を拡張し、対向関係の疎化に過度な適合を緩和する。 大規模な実験により、GNAHは既存の教師なしのクロスモーダル検索手法をデータ制約下で一貫して上回り、現実のCMHアプリケーションに実用的なソリューションを提供することを示した。

関連論文リスト

• Sheaf-Based Federated Representation Learning [11.430396441085579]
  SFRL(Sheaf-based Federated Representation Learning) 我々は、局所モデルの勾配更新とエッジワイド制約マップの閉形式Procrustes更新を交互に行う、SFRL(Sheaf-FRL)と呼ばれる分散アルゴリズムを開発した。 応用として,セマンティックコミュニケーションの文脈における協調的な分類課題を考える。
  論文  参考訳（メタデータ） (2026-08-08T16:38:34Z)
• Rank-Aware Hyperbolic Alignment for Vision-Language Dataset Distillation [54.74045834035952]
  視覚言語データセット蒸留(VLDD)は、大きな画像テキストのペア化されたデータセットを小さな合成ペアに圧縮する。 階層幾何学と明示的なアライメント・キャパシティ制御を組み合わせたランク認識型双曲アライメント(RAHA)を提案する。 RAHAは、競争力のあるクロスモーダル検索と、固定予算下での転送インジケータの改善を示す。
  論文  参考訳（メタデータ） (2026-06-28T15:41:31Z)
• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• LUMOS: Universal Semi-Supervised OCT Retinal Layer Segmentation with Hierarchical Reliable Mutual Learning [9.42829815939387]
  本稿では,階層型プロンプティング戦略 (DDN-HPS) とReliable Progressive Multi-granularity Learning (RPML) を併用したDual-Decoder Networkをベースとした,半教師付き汎用OCT網膜層セグメンテーションフレームワークであるLUMOSを提案する。 6つのOCTデータセットの実験では、LUMOSは既存の手法よりも優れており、例外的なクロスドメインとクロスグラニュラリティの一般化能力を示している。
  論文  参考訳（メタデータ） (2026-04-07T03:39:48Z)
• Thinking with Images as Continuous Actions: Numerical Visual Chain-of-Thought [55.65577137924979]
  本稿では,連続的な数値座標を用いたMLLM画像の推論を可能にするフレームワークを提案する。 NV-CoTはMLLM作用空間を離散語彙トークンから連続ユークリッド空間へと拡張する。 3つのベンチマーク実験により、NV-CoTは局所化精度と最終回答精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2026-02-27T12:04:07Z)
• Toward Stable Semi-Supervised Remote Sensing Segmentation via Co-Guidance and Co-Fusion [31.189038928192648]
  Co2Sは半教師付きRSセグメンテーションフレームワークで、ビジョン言語モデルと自己教師型モデルとを融合する。 テキスト埋め込みと学習可能なクエリを利用した,明示的でシンプルなセマンティックコガイダンス機構が導入された。 6つの一般的なデータセットに対する実験は,提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-12-28T18:24:19Z)
• Cross-modal Full-mode Fine-grained Alignment for Text-to-Image Person Retrieval [54.90229711181207]
  TIPR (Text-to-Image Person Retrieval) は、与えられたテキストクエリに基づいて、最も関連性の高い人物画像を取得することを目的としている。 TIPRの鍵となる課題は、テキストと視覚のモダリティの効果的なアライメントを達成することである。 FMFA, クロスモーダルフルモーデファインファインファインファイン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） (2025-09-17T07:12:05Z)
• Harnessing Group-Oriented Consistency Constraints for Semi-Supervised Semantic Segmentation in CdZnTe Semiconductors [71.44213719783703]
  ICAF(Intra-group Consistency Augmentation Framework)は、CdZnTe(Cadmium Zinc Telluride)半導体画像にラベルを付けるために開発された。 ICAF は View Augmentation Module (VAM) と View Correction Module (VCM) の2つの重要なモジュールで構成されている。 ICAFは、CdZnTeデータセット上の70.6% mIoUを2つのグループアノテートデータのみを用いて達成する。
  論文  参考訳（メタデータ） (2025-08-18T09:40:36Z)
• HCMA: Hierarchical Cross-model Alignment for Grounded Text-to-Image Generation [27.770224730465237]
  画像生成のための階層的クロスモーダルアライメント(HCMA)フレームワークを提案する。 HCMAは2つのアライメントモジュールを各拡散サンプリングステップに統合する。 MS-COCO 2014検証セットの実験では、HCMAが最先端のベースラインを超えたことが示されている。
  論文  参考訳（メタデータ） (2025-05-10T05:02:58Z)
• Without Paired Labeled Data: End-to-End Self-Supervised Learning for Drone-view Geo-Localization [20.603433987118837]
  ドローンビュージオローカライゼーション(DVGL)は、GPSタグ付き衛星画像を取得することで、ドローンの正確なローカライゼーションを実現することを目的としている。 既存の手法は、教師あり学習のために、厳密にペアリングされたドローン衛星画像に大きく依存している。 浅いバックボーンネットワークを用いたエンドツーエンドの自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2025-02-17T02:53:08Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。