論文の概要: MemeTAG: Keyword-Driven Meme Classification through Tag Embedding Reconstruction

• arxiv url: http://arxiv.org/abs/2609.20962v1
• Date: Thu, 17 Sep 2026 18:17:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.744597
• Title: MemeTAG: Keyword-Driven Meme Classification through Tag Embedding Reconstruction
• Title（参考訳）: MemeTAG: タグ埋め込み再構築によるキーワード駆動型ミーム分類
• Abstract要約: 本稿では,ミーム分類に対するキーワード認識アプローチの先駆けとなる,新しい二目的フレームワークであるMemeTAGを紹介する。 我々は、事前訓練された視覚言語モデルを利用して、ハイレベルなセマンティクスをキャプチャする記述的キーワードセットを生成する。 第2に、アグリゲートタグ推論ネットワーク(ATIN)を導入し、これらのキーワードを単一のリッチなセマンティック埋め込みに蒸留するアグリゲートタグ推論ネットワーク(ATIN)を紹介した。 このアプローチは、効率的な3段階トレーニング戦略と組み合わせて、HarMeme、Hateful Memes Challenge(HMC)、PradeMMデータセットに新たな最先端技術を確立する。
• 参考スコア（独自算出の注目度）: 3.9394485033438413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of harmful internet memes poses a significant societal threat, yet their automated classification remains a formidable algorithmic challenge due to the nuanced, multimodal nature of their content. To address this, we introduce MemeTAG, a novel dual-objective framework that pioneers a keyword-aware approach to meme classification. Our core innovation is a two-part semantic guidance mechanism: first, we leverage a pretrained Vision-Language Model to generate a set of descriptive keywords, that capture the high-level semantics. Second, we introduce the Aggregated Tag Inference Network (ATIN), an attention-based module that distills these keywords into a single, rich semantic embedding. This embedding serves as a target for a novel auxiliary reconstruction loss, which compels the model to learn deeply aligned visual and textual features. This approach, combined with an efficient three-stage training strategy, establishes a new state-of-the-art on the HarMeme, Hateful Memes Challenge (HMC), and PrideMM datasets, decisively outperforming existing state-of-the-art methods.
• Abstract（参考訳）: 有害なインターネットミームの拡散は、重大な社会的脅威をもたらすが、彼らの自動分類は、そのコンテンツのニュアンスでマルチモーダルな性質のために、恐ろしいアルゴリズム上の課題である。 そこで本稿では,メタ分類に対するキーワード認識アプローチの先駆けとなる,新しい2目的フレームワークであるMemeTAGを紹介する。 まず、事前訓練されたビジョンランゲージモデルを使用して、高レベルのセマンティクスをキャプチャする記述的キーワードセットを生成します。 第2に、アグリゲートタグ推論ネットワーク(ATIN)を導入し、これらのキーワードを単一のリッチなセマンティック埋め込みに蒸留するアグリゲートタグ推論ネットワーク(ATIN)を紹介した。 この埋め込みは、視覚的特徴とテキスト的特徴を深く整合するモデルを補完する、新しい補助的な再構築損失の標的となる。 このアプローチは、効率的な3段階のトレーニング戦略と組み合わせて、HarMeme、Hateful Memes Challenge(HMC)、PrideMMデータセットに新たな最先端技術を確立し、既存の最先端メソッドを決定的に上回る。

関連論文リスト

• Deep Interest Mining with Cross-Modal Alignment for SemanticID Generation in Generative Recommendation [0.0]
  Generative Recommendation (GR)は、数兆規模のデータを学習可能な語彙列に圧縮するためにセマンティックID(SID)に依存している。 既存の方法には3つの限界がある。 本稿では,Deep Contextual Interest Mining(DCIM),Cross-Modal Semantic Alignment(CMSA),Quality-Aware Reinforcement Mechanism(QARM)の3つの重要なイノベーションを統合する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） (2026-03-03T13:36:22Z)
• SASA: Semantic-Aware Contrastive Learning Framework with Separated Attention for Triple Classification [0.0]
  トリプル分類(TC)は、知識グラフからトリプルの妥当性を決定することを目的としている。 textbfSASA - 注意分離機構と意味認識型コントラスト学習(CL)によるTCモデルの強化を目的とした新しいフレームワーク 2つのベンチマークデータセットによる実験結果から、SASAは最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-01-19T13:19:00Z)
• Reasoning-Aware Multimodal Fusion for Hateful Video Detection [28.9889316637547]
  オンラインビデオでのヘイトスピーチは、デジタルプラットフォームにとってますます深刻な脅威となっている。 既存の方法はしばしば、モダリティ間の複雑な意味関係を効果的に融合させるのに苦労する。 本稿では,革新的なReasoning-Aware Multimodal Fusionフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-02T13:24:17Z)
• State and Scene Enhanced Prototypes for Weakly Supervised Open-Vocabulary Object Detection [23.788375360674063]
  既存のセマンティックプロトタイプは、異なるオブジェクト状態によって引き起こされる豊富なクラス内の視覚的バリエーションをキャプチャできない。 標準的な擬似ボックス生成は、視覚領域の提案とオブジェクト中心のテキスト埋め込みのセマンティックなミスマッチを導入する。 セマンティック・プロトタイプ(SESP)とSAPP(Scene-Augmented Pseudo Prototypes)を導入し,セマンティック・ミスマッチに対処する。
  論文  参考訳（メタデータ） (2025-11-22T10:25:19Z)
• IAR2: Improving Autoregressive Visual Generation with Semantic-Detail Associated Token Prediction [77.06211178777939]
  IAR2は、階層的なセマンティックディーテール合成プロセスを可能にする高度な自己回帰フレームワークである。 我々は、IAR2が自動回帰画像生成のための新しい最先端技術を設定し、ImageNet上で1.50のFIDを達成することを示す。
  論文  参考訳（メタデータ） (2025-10-08T12:08:21Z)
• Knowing Where to Focus: Attention-Guided Alignment for Text-based Person Search [64.15205542003056]
  本稿では,AGM(Atention-Guided Mask)モデリングとTEM(Text Enrichment Module)という,2つの革新的なコンポーネントを備えたAGA(Atention-Guided Alignment)フレームワークを紹介する。 AGA は CUHK-PEDES と ICFG-PEDES と RSTP でそれぞれ78.36%、67.31%、67.4% に達した。
  論文  参考訳（メタデータ） (2024-12-19T17:51:49Z)
• EAGER: Two-Stream Generative Recommender with Behavior-Semantic Collaboration [63.112790050749695]
  本稿では,行動情報と意味情報の両方をシームレスに統合する新しい生成推薦フレームワークであるEAGERを紹介する。 EAGERの有効性を4つの公開ベンチマークで検証し,既存手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-20T06:21:56Z)
• Learning Semantic Correspondence with Sparse Annotations [66.37298464505261]
  密接な意味的対応を見つけることは、コンピュータビジョンの基本的な問題である。 本研究では,高密度な擬似ラベルを生成するための教師学習パラダイムを提案する。 また、擬似ラベルを識別するための2つの新しい戦略も開発している。
  論文  参考訳（メタデータ） (2022-08-15T02:24:18Z)
• Boosting Video-Text Retrieval with Explicit High-Level Semantics [115.66219386097295]
  VTRのための新しい視覚言語整合モデルHiSEを提案する。 明示的なハイレベルなセマンティクスを取り入れることで、クロスモーダル表現を改善する。 提案手法は,3つのベンチマークデータセット上での最先端手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-08-08T15:39:54Z)

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。