論文の概要: Rethinking Multi-Label Image Classification With Deep Learning: Taxonomy, Challenge, and Outlook
- arxiv url: http://arxiv.org/abs/2607.00839v1
- Date: Wed, 01 Jul 2026 12:05:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.883587
- Title: Rethinking Multi-Label Image Classification With Deep Learning: Taxonomy, Challenge, and Outlook
- Title（参考訳）: 深層学習によるマルチラベル画像分類の再考:分類学、課題、展望
- Abstract要約: マルチラベル画像分類(MLIC)はコンピュータビジョンの基本課題である。
本調査では,MLICに関する深層学習に基づく文献の総合的なレビューを行う。
- 参考スコア（独自算出の注目度）: 26.045684526260967
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-label image classification (MLIC), a fundamental task in computer vision, focuses on identifying multiple objects or concepts within an image, underpinning numerous read-world applications, such as autonomous driving, disease diagnosis, recommendation system, and mobile service robot. Over the past decade, deep learning paradigms based on convolutional neural networks, recurrent neural networks, and Transformers have significantly advanced this field, owing to their powerful capability in visual representation and relationship modeling. These advances have markedly improved the robustness, scalability, and generalization ability of MLIC models across diverse datasets and application domains. In this survey, we provide a comprehensive review of the deep learning-based literature on MLIC. Concretely, we first revisit the background, including problem definition, datasets, backbones and evaluation metrics. Next, we develop a plausible taxonomy for the deep learning-based MLIC approaches, organizing them into six groups: region-oriented methods, label-oriented methods, architecture-oriented methods, representation-oriented methods, learning-oriented methods, and data-oriented methods. Finally, we provide an insightful exposition of the underlying learning game in MLIC and its implications for other vision domains, and we empirically summarize the key challenges and research directions in MLIC while outlining promising avenues for future development. We believe this survey offers the research community a holistic and systematic perspective on MLIC, thereby facilitating subsequent exploration and innovation in this field and beyond.
- Abstract（参考訳）: コンピュータビジョンの基本課題であるマルチラベル画像分類(MLIC)は、自律運転、疾患診断、レコメンデーションシステム、モバイルサービスロボットなど、多数のリードワールドアプリケーションを支える、画像内の複数のオブジェクトや概念を特定することに焦点を当てている。
過去10年間で、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、トランスフォーマーに基づくディープラーニングパラダイムは、視覚表現と関係モデリングにおける強力な能力のために、この分野を著しく進歩させてきた。
これらの進歩により、さまざまなデータセットやアプリケーションドメインにわたるMLICモデルの堅牢性、スケーラビリティ、一般化能力が大幅に向上した。
本調査では,MLICに関する深層学習に基づく文献の総合的なレビューを行う。
具体的には、まず、問題定義、データセット、バックボーン、評価メトリクスなど、背景を再考する。
次に,深層学習に基づくMLIC手法の分類法を開発し,地域指向手法,ラベル指向手法,アーキテクチャ指向手法,表現指向手法,学習指向手法,データ指向手法の6つのグループに分類する。
最後に,MLICにおける基礎となる学習ゲームとその他のビジョン領域への含意を考察し,MLICにおける重要な課題と研究の方向性を実証的に要約するとともに,将来的な開発への道筋を概説する。
この調査は、研究コミュニティにMLICに関する総合的かつ体系的な視点を与え、この分野以降の探究と革新を促進するものであると信じています。
関連論文リスト
- Multimodal Information Fusion for Chart Understanding: A Survey of MLLMs -- Evolution, Limitations, and Cognitive Enhancement [25.08967298618286]
MLLM(Multimodal Large Language Models)は、チャート情報融合を変換する。
本調査は,MLLMがグラフ情報融合をどのように変換しているかを構造化された理解を得ることを目的としている。
論文 参考訳（メタデータ） (2026-02-08T12:59:50Z) - A Survey on Generative Recommendation: Data, Model, and Tasks [55.36322811257545]
ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。
この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。
世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
論文 参考訳（メタデータ） (2025-10-31T04:02:58Z) - Survey of Multimodal Geospatial Foundation Models: Techniques, Applications, and Challenges [54.669838624278924]
基礎モデルは自然言語処理とコンピュータビジョンに変化をもたらした。
強力な一般化と伝達学習機能により、リモートセンシングデータのマルチモーダル、マルチレゾリューション、マルチ時間特性と自然に一致させる。
この調査は、モーダリティ駆動の観点から、マルチモーダルGFMの包括的なレビューを提供する。
論文 参考訳（メタデータ） (2025-10-27T03:40:00Z) - Multimodal Fusion and Vision-Language Models: A Survey for Robot Vision [49.073964142139495]
マルチモーダル融合法と視覚言語モデルの適用と進歩を体系的に検討する。
セマンティックシーン理解タスクでは、エンコーダデコーダフレームワーク、アテンションベースアーキテクチャ、グラフニューラルネットワークに融合アプローチを分類する。
クロスモーダルアライメント、効率的な融合、リアルタイムデプロイメント、ドメイン適応など、現在の研究における重要な課題を特定します。
論文 参考訳（メタデータ） (2025-04-03T10:53:07Z) - A Decade of Deep Learning: A Survey on The Magnificent Seven [19.444198085817543]
ディープラーニングは、過去10年間に人工知能の風景を根本的に変えてきた。
本稿では,この分野の広範な調査から選択した,最も影響力のあるディープラーニングアルゴリズムについて概観する。
本稿では,残差ネットワーク,トランスフォーマー,ジェネレーティブ・アドバーサリアル・ネットワーク,変分オートエンコーダ,グラフニューラルネットワーク,コントラスト言語-画像事前学習,拡散モデルなどの重要なアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2024-12-13T17:55:39Z) - Multimodal Alignment and Fusion: A Survey [11.3029945633295]
このサーベイは、機械学習分野におけるマルチモーダルアライメントと融合の進歩に関する包括的概要を提供する。
我々は、両構造の観点から、アライメントと融合の鍵となるアプローチを体系的に分類し、分析する。
この調査は、クロスモーダルなミスアライメント、計算ボトルネック、データ品質の問題、モダリティギャップといった重要な課題を強調します。
論文 参考訳（メタデータ） (2024-11-26T02:10:27Z) - Delving into Multi-modal Multi-task Foundation Models for Road Scene Understanding: From Learning Paradigm Perspectives [56.2139730920855]
本稿では,道路シーンに特化して設計されたMM-VUFMの系統解析について述べる。
本研究の目的は,タスク特化モデル,統合マルチモーダルモデル,統合マルチタスクモデル,基礎モデル推進技術など,共通プラクティスの包括的概要を提供することである。
我々は、クローズドループ駆動システム、解釈可能性、エンボディドドライブエージェント、世界モデルなど、重要な課題と今後のトレンドに関する洞察を提供する。
論文 参考訳（メタデータ） (2024-02-05T12:47:09Z) - Masked Modeling for Self-supervised Representation Learning on Vision
and Beyond [69.64364187449773]
仮面モデリングは、トレーニング中に比例的にマスキングされる元のデータの一部を予測する、独特なアプローチとして現れてきた。
マスクモデリングにおけるテクニックの詳細については,多様なマスキング戦略,ターゲット回復,ネットワークアーキテクチャなどについて詳述する。
我々は、現在の手法の限界について議論し、マスクモデリング研究を進めるためのいくつかの道のりを指摘した。
論文 参考訳（メタデータ） (2023-12-31T12:03:21Z) - Self-Supervised Representation Learning: Introduction, Advances and
Challenges [125.38214493654534]
自己教師付き表現学習手法は、大きな注釈付きデータセットを必要とせずに強力な機能学習を提供することを目的としている。
本稿では、この活気ある領域について、鍵となる概念、アプローチの4つの主要なファミリーと関連する技術の状態、そして、データの多様性に自己監督手法を適用する方法について紹介する。
論文 参考訳（メタデータ） (2021-10-18T13:51:22Z)
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。