論文の概要: How to make effective use of domain experts for image classification?

• arxiv url: http://arxiv.org/abs/2609.17749v1
• Date: Tue, 15 Sep 2026 19:00:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.508495
• Title: How to make effective use of domain experts for image classification?
• Title（参考訳）: 画像分類にドメインエキスパートを効果的に活用するには?
• Abstract要約: 本研究では、まず、下流オブジェクトクラスを表す属性を分類するための画像特徴抽出器を微調整する。 そして、これらの属性から分類ヘッドを学習して対象オブジェクトを分類する。 実験により,カグルフィッシュデータセット,AWA2,木炭データセットの3つのデータセットの分類を改善した。
• 参考スコア（独自算出の注目度）: 5.128219370053366
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A lot of expectations have been put for years on integrating domain expert knowledge in image classification models. Several approaches have been explored, Concept Bottleneck Models (CBMs) opened up a new avenue of research leading to many variants, and more recently to Concept-based Embedding Models (CEMs). CBM consider binary encoding of each concept, while CEM expands this idea by embedding each concept through two vectors. However in real-life scenarii, domain experts' knowledge is usually organized in concepts determined by various attributes, each attribute encoded either with numerical values, or range of values, or binary values, or categorical values. In this work, we first finetune an image feature extractor for classifying attributes representing the downstream object classes, where the class attributes have been specified by experts under various encoding formats. A classification head is then learnt from these various attributes to categorize target objects. We experimentally show that it improves the classification for three datasets: Kaggle fish dataset, AWA2 and a more challenging new wood charcoal dataset. We then propose an automatic selection of potential missclassified data. In this second step, experts are asked for those data to eventually modify the predicted attributes in order to improve the classification.
• Abstract（参考訳）: 画像分類モデルにドメインエキスパートの知識を統合することについて、長年にわたり多くの期待が寄せられている。 コンセプション・ボトルネック・モデル (Concept Bottleneck Models, CBM) は、多くの変種に繋がる新たな研究の道を開き、より最近ではコンセプション・ベース・エンベディング・モデル (Concept-based Embedding Models, CEMs) へと移行した。 CBMは各概念のバイナリエンコーディングを考慮し、CEMは各概念を2つのベクトルに埋め込むことでこの概念を拡張している。 しかし、実生活のscenariiでは、ドメインの専門家の知識は通常、様々な属性によって決定される概念で組織され、それぞれの属性は数値、値の範囲、二項値、カテゴリー値のいずれかでエンコードされる。 本研究では、まず、下流オブジェクトクラスを表す属性を分類するための画像特徴抽出器を微調整する。 そして、これらの属性から分類ヘッドを学習して対象オブジェクトを分類する。 実験により,カグルフィッシュデータセット,AWA2,木炭データセットの3つのデータセットの分類を改善した。 次に、潜在的な誤分類データの自動選択を提案する。 この2番目のステップでは、専門家がこれらのデータに対して、最終的に予測された属性を変更して分類を改善するように求めています。

関連論文リスト

• Classifier Enhancement Using Extended Context and Domain Experts for Semantic Segmentation [16.76156233696562]
  本研究では,グローバル(データセットレベル)とローカル(イメージレベル)のコンテキスト情報を用いて分類器を動的に調整する拡張コンテキスト認識(ECAC)を提案する。 ECACはADE20K、COCO-Stuff10K、Pascal-Contextなど、いくつかのデータセットで最先端のパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2025-10-29T05:17:13Z)
• Generalized Fine-Grained Category Discovery with Multi-Granularity Conceptual Experts [81.68203255687051]
  Generalized Category Discoveryは、部分的にラベル付けされたカテゴリの知識を活用することでラベル付けされていないデータをクラスタリングする、オープンワールドな問題である。 既存のアプローチでは、視覚データにおいて複数の粒度の概念情報を活用できない。 精度の高いカテゴリ発見のための多粒度知識を統合した多粒度エキスパートフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-30T13:25:11Z)
• LATex: Leveraging Attribute-based Text Knowledge for Aerial-Ground Person Re-Identification [78.73711446918814]
  我々は,属性ベースのテキスト知識を活用するために,アクシデントチューニング戦略を採用した,AG-ReIDのためのLATexという新しいフレームワークを提案する。 我々のフレームワークは属性ベースのテキスト知識をフル活用してAGReIDの性能を向上させることができる。
  論文  参考訳（メタデータ） (2025-03-31T04:47:05Z)
• POAR: Towards Open Vocabulary Pedestrian Attribute Recognition [39.399286703315745]
  歩行者属性認識(PAR)は、監視システムにおける歩行者の属性を予測することを目的としている。 現実世界のすべての歩行者属性を消耗することは不可能である。 我々は,新しい歩行者用オープンアトリビュート認識フレームワークを開発した。
  論文  参考訳（メタデータ） (2023-03-26T06:59:23Z)
• Attribute-Guided Multi-Level Attention Network for Fine-Grained Fashion Retrieval [27.751399400911932]
  本稿では,細粒度ファッション検索のための属性誘導型マルチレベルアテンションネットワーク(AG-MAN)を提案する。 具体的には、まず事前訓練された特徴抽出器を拡張し、マルチレベル画像埋め込みをキャプチャする。 そこで本研究では,同じ属性を持つ画像と異なる値を持つ画像とを同一のクラスに分類する分類手法を提案する。
  論文  参考訳（メタデータ） (2022-12-27T05:28:38Z)
• Deep ensembles in bioimage segmentation [74.01883650587321]
  本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。 アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。 提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
  論文  参考訳（メタデータ） (2021-12-24T05:54:21Z)
• Memory Wrap: a Data-Efficient and Interpretable Extension to Image Classification Models [9.848884631714451]
  Memory Wrapは、任意の画像分類モデルのプラグアンドプレイ拡張である。 データ効率性とモデル解釈性の両方を改善し、コンテンツアテンションメカニズムを採用する。 メモリラップは,限られたデータ集合から学習すると,標準的な分類器よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-06-01T07:24:19Z)
• Simple multi-dataset detection [83.9604523643406]
  複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。 データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。 私たちのアプローチは手動の分類学の調整を必要としません。
  論文  参考訳（メタデータ） (2021-02-25T18:55:58Z)
• Bounding Boxes Are All We Need: Street View Image Classification via Context Encoding of Detected Buildings [7.1235778791928634]
  「Detector-Encoder-Classifier」フレームワークが提案されている。 BEAUTY"データセットは、ストリートビューイメージの分類だけでなく、マルチクラスのビルディング検出にも利用できる。
  論文  参考訳（メタデータ） (2020-10-03T08:49:51Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)
• Selecting Relevant Features from a Multi-domain Representation for Few-shot Classification [91.67977602992657]
  本稿では,従来の特徴適応手法よりもシンプルかつ効果的である特徴選択に基づく新しい戦略を提案する。 このような特徴の上に構築された単純な非パラメトリック分類器は高い精度を示し、訓練中に見たことのない領域に一般化する。
  論文  参考訳（メタデータ） (2020-03-20T15:44:17Z)

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。