論文の概要: Webly Supervised Multi-Label Recognition: Evaluation Benchmark and Dual-Branch Multi-Label Contrastive Learning

• arxiv url: http://arxiv.org/abs/2607.20874v1
• Date: Thu, 23 Jul 2026 02:54:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.268019
• Title: Webly Supervised Multi-Label Recognition: Evaluation Benchmark and Dual-Branch Multi-Label Contrastive Learning
• Title（参考訳）: Webly Supervised Multi-Label Recognition: Evaluation Benchmark と Dual-Branch Multi-Label Contrastive Learning
• Abstract要約: 統一されたベンチマークと公正な比較プロトコルが欠如しているため、Webで教師付きマルチラベル認識が過小評価されている。 我々は、Web-COCOやWeb-Pascalを含むWeb-MLR(Webly supervised Multi-label Recognition)のためのベンチマークを構築し、統一された設定で代表ベースラインを再実装する。 本稿では、カテゴリ固有のインスタンスレベルとカテゴリレベルの表現を類似性とともに学習し、ノイズラベルを識別・修正するDBMLCL(Dual-Branch Multi-Label Contrastive Learning)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）: 27.472663106330256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training deep learning models with freely available web images can reduce their dependence on costly manual annotations. Although webly supervised learning has been widely studied for single-label recognition, its multi-label counterpart remains underexplored, partly due to the lack of unified benchmarks and fair comparison protocols. To address this gap, we construct a benchmark for webly supervised multi-label recognition (WS-MLR), including Web-COCO and Web-Pascal, and re-implement representative baselines under a unified setting. The two datasets cover the same 80 and 20 categories as MS-COCO and Pascal VOC, respectively, and contain about 300 thousand images retrieved from the Internet using category-word combinations as search keywords. We further propose a Dual-Branch Multi-Label Contrastive Learning (DBMLCL) framework, which learns category-specific instance-level and category-level representations together with their similarities to identify and correct noisy labels. Extensive experiments on the benchmark demonstrate that DBMLCL achieves superior performance compared to representative baselines.
• Abstract（参考訳）: 無償のWebイメージでディープラーニングモデルをトレーニングすることで、コストのかかる手作業によるアノテーションへの依存を減らすことができる。 Webで教師付き学習はシングルラベル認識のために広く研究されているが、そのマルチラベル対応は、統一されたベンチマークと公正な比較プロトコルが欠如していることもあって、未検討のままである。 このギャップに対処するために、Web-COCOやWeb-Pascalを含むWebに教師付きマルチラベル認識(WS-MLR)のためのベンチマークを構築し、統一された設定で代表ベースラインを再実装する。 2つのデータセットはそれぞれMS-COCOとPascal VOCと同じ80と20のカテゴリをカバーし、検索キーワードとしてカテゴリワードの組み合わせを使用してインターネットから検索された約3万の画像を含んでいる。 さらに、カテゴリ固有のインスタンスレベルとカテゴリレベルの表現を類似性とともに学習し、ノイズラベルを特定し、修正するDual-Branch Multi-Label Contrastive Learning (DBMLCL) フレームワークを提案する。 ベンチマーク実験の結果,DBMLCLは代表ベースラインよりも優れた性能を示した。

関連論文リスト

• Enhancing Text-Based Hierarchical Multilabel Classification for Mobile Applications via Contrastive Learning [3.8920014348892225]
  モバイルアプリケーション(アプリケーション)向けの階層的なラベリングシステムは、独自のユーザデータとラベリングを統合する幅広いダウンストリームビジネスに恩恵をもたらす。 我々は、名前や記述などのテキスト情報を用いて、アプリケーションの階層的マルチラベル分類の問題に対処する。 当社のアプローチはTencentで展開されており、アプリのマルチラベル分類アウトプットは、ダウンストリームタスク — ユーザのリスク管理 — のパフォーマンスを10.70%向上させました。
  論文  参考訳（メタデータ） (2025-07-06T15:04:19Z)
• Learning Semantic-Aware Representation in Visual-Language Models for Multi-Label Recognition with Partial Labels [19.740929527669483]
  部分ラベル付きマルチラベル認識(MLR-PL)はコンピュータビジョンにおける実用的な課題である。 セマンティックデカップリングモジュールとカテゴリ固有のプロンプト最適化手法をCLIPベースのフレームワークで導入する。 提案手法は,CLIPベースのベースライン方式と比較して,情報と異なるカテゴリを効果的に分離し,優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-12-14T14:31:36Z)
• Incomplete Multi-view Multi-label Classification via a Dual-level Contrastive Learning Framework [3.9108639455354592]
  本稿では,二重欠落多視点多ラベル分類の課題を解決するために,両レベルコントラスト学習フレームワークを提案する。 いくつかの広く使用されているベンチマークデータセットの実験により、提案手法はより安定し、より優れた分類性能を有することが示された。
  論文  参考訳（メタデータ） (2024-11-27T12:04:04Z)
• SemiReward: A General Reward Model for Semi-supervised Learning [58.47299780978101]
  半教師付き学習(SSL)は、擬似ラベリングによる自己学習フレームワークの様々な改善により、大きな進歩をみせた。 主な課題は、高品質な擬似ラベルを確認バイアスと区別する方法である。 本稿では、報酬スコアを予測して高品質な擬似ラベルを評価・フィルタリングするセミ教師付きリワードフレームワーク(SemiReward)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T17:56:41Z)
• Multi-Label Self-Supervised Learning with Scene Images [21.549234013998255]
  本稿では,シーン/マルチラベル画像SSLを多ラベル分類問題として扱うことで,画質の表現を学習可能であることを示す。 提案手法はMulti-Label Self-supervised Learning (MLS) と呼ばれる。
  論文  参考訳（メタデータ） (2023-08-07T04:04:22Z)
• Reliable Representation Learning for Incomplete Multi-View Missing Multi-Label Classification [78.15629210659516]
  本稿ではRANKと呼ばれる不完全なマルチビュー欠落型マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 私たちのモデルは、完全なマルチビューマルチラベルデータを扱うだけでなく、欠落したインスタンスやラベルを持つデータセットでも処理できます。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• Open Vocabulary Multi-Label Classification with Dual-Modal Decoder on Aligned Visual-Textual Features [14.334304670606633]
  本稿では,視覚的特徴とテキスト的特徴の整合性を備えた2次元デコーダ (DM-decoder) を含む新しいアルゴリズム,Aligned Dual MoDality ClaSsifier (ADDS) を提案する。 NUS-WIDE, ImageNet-1k, ImageNet-21k, MS-COCO など,いくつかの標準ベンチマークで実施された大規模な実験により,提案手法が従来の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-19T22:45:07Z)
• Semantic Representation and Dependency Learning for Multi-Label Image Recognition [76.52120002993728]
  本稿では,各カテゴリのカテゴリ固有のセマンティック表現を学習するための,新しい,効果的なセマンティック表現と依存性学習(SRDL)フレームワークを提案する。 具体的には,カテゴリー別注意領域(CAR)モジュールを設計し,チャネル/空間的注意行列を生成してモデルを導出する。 また、カテゴリ間のセマンティック依存を暗黙的に学習するオブジェクト消去(OE)モジュールを設計し、セマンティック認識領域を消去する。
  論文  参考訳（メタデータ） (2022-04-08T00:55:15Z)
• Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and Semi-Supervised Semantic Segmentation [119.009033745244]
  本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。 SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。 Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
  論文  参考訳（メタデータ） (2022-03-19T09:19:55Z)
• Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [86.17081952197788]
  そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。 MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
  論文  参考訳（メタデータ） (2022-03-04T07:56:16Z)
• Multi-Label Image Classification with Contrastive Learning [57.47567461616912]
  コントラスト学習の直接適用は,複数ラベルの場合においてほとんど改善できないことを示す。 完全教師付き環境下でのコントラスト学習を用いたマルチラベル分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-24T15:00:47Z)

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。