論文の概要: What Drives Hierarchy-Aware Image Retrieval? Taxonomy Alignment, Objective Choice, and Geometry

• arxiv url: http://arxiv.org/abs/2609.25638v1
• Date: Tue, 22 Sep 2026 03:48:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.197936
• Title: What Drives Hierarchy-Aware Image Retrieval? Taxonomy Alignment, Objective Choice, and Geometry
• Title（参考訳）: 階層的画像検索を駆動するものは何か? 分類的アライメント、客観的選択、幾何学
• Abstract要約: 凍結したDINOv2特徴に対する厳密な分類・分類画像検索について検討した。 本研究は, 分類-距離回帰法で訓練されたユークリッド予測と双曲予測を比較した。
• 参考スコア（独自算出の注目度）: 9.343360030143648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation vision models provide strong generic representations, yet high class-level retrieval accuracy does not necessarily imply that an embedding respects a target semantic taxonomy. We study strict explicit-taxonomy image retrieval on frozen DINOv2 features and ask: when hierarchical retrieval improves, how much of the change is associated with the organization of taxonomy-aware supervision, and how much with the Euclidean-hyperbolic geometry choice? We evaluate higher levels with strict cross-class criteria that exclude finer-grained matches, and compare Euclidean and hyperbolic projections trained with taxonomy-distance regression or a taxonomy-aware supervised contrastive objective. A compute-matched 2 x 2 Geometry x Loss factorial uses the same 768-256-32 projector capacity, optimization schedule, batch order, and fixed 100-epoch budget; the Loss axis denotes the Regression-to-Taxonomy-SupCon objective-family contrast. On CUB, the objective-family contrasts in mean hierarchy mAP (strict middle/high average, excluding Class/Leaf) are +0.0487 in Euclidean space and +0.0414 in hyperbolic space, compared with geometry contrasts of +0.0102 and +0.0030. On NABirds Parent-disjoint retrieval, the corresponding objective-family contrasts are +0.0467 and +0.0440, whereas geometry contrasts are +0.0017 and -0.0009. A semantic-alignment control shows that the true taxonomy substantially outperforms a structure-preserving shuffled hierarchy, while a NABirds curvature/radius control does not support stronger negative curvature as the explanation for the observed hierarchy gains. Across the two taxonomies, the Regression-to-Taxonomy-SupCon contrasts are larger in aggregate than the evaluated geometry contrasts; semantic alignment also matters separately, while geometry remains hierarchy-dependent.
• Abstract（参考訳）: 基礎視覚モデルは強力な汎用表現を提供するが、高いクラスレベルの検索精度は、埋め込みがターゲットのセマンティックな分類を尊重することを意味するとは限らない。 凍結したDINOv2特徴の厳密な分類・分類画像検索について検討し、階層的検索が改善した場合には、その変化のどれ程が分類・認識監督の組織と関係しているのか、ユークリッド・ハイエルボリックな幾何的選択とどの程度の関連があるのかを問う。 より粒度の細かいマッチを除外した厳密なクロスクラス基準で高いレベルの評価を行い、ユークリッドと双曲予測を比較した。 2 x 2 Geometry x Loss Factorial は同じ 768-256-32 プロジェクタ容量、最適化スケジュール、バッチ順序、固定100エポジカル予算を使用し、ロス軸はRegression-to-Taxonomy-SupCon の客観的コントラストを表す。 CUB では、平均階層 mAP における客観的コントラストはユークリッド空間において +0.0487 であり、双曲空間では +0.0414 であり、+0.0102 と +0.0030 の幾何コントラストと比較しても +0.0414 である。 NABirds Parent-disjoint検索では、対応する対象家族のコントラストは+0.0467と+0.0440であり、幾何コントラストは+0.0017と-0.0009である。 セマンティックアライメント制御は、真の分類が構造保存されたシャッフル階層を大幅に上回っていることを示しているが、NABirdsの曲率/半径制御は、観察された階層のゲインの説明として、より強い負の曲率をサポートしていない。 2つの分類学全体では、回帰-タクソノミー-サプコンのコントラストは評価された幾何学的コントラストよりも集合的に大きい。

関連論文リスト

• 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)
• Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
  マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。 既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。 本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。 我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-06-20T02:12:05Z)
• Hierarchically Robust Zero-shot Vision-language Models [74.79155369056639]
  VLM(Vision-Language Models)はゼロショット分類を行うことができるが、敵攻撃の影響を受けやすい。 既存のアプローチは、固定されたテキスト埋め込みをイメージ埋め込みと整合させ、自然なパフォーマンスと堅牢性を犠牲にする。 本稿では,階層的な埋め込みと画像・テキスト・モダリティの対角的ロバストなアライメントに基づく,新しい逆方向の微調整フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-20T21:42:14Z)
• 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)
• ARGENT: Adaptive Hierarchical Image-Text Representations [12.724220731465392]
  本稿では,より強力な双曲型VLMベースラインARGENT,Adaptive hieRarchical imaGe-tExt rereseNTationを導入する。 本稿では,より強力な双曲型VLMベースラインARGENT,Adaptive hieRarchical imaGe-tExt rereseNTationを提案する。
  論文  参考訳（メタデータ） (2026-03-24T15:14:12Z)
• Climbing the label tree: Hierarchy-preserving contrastive learning for medical imaging [0.0]
  本稿では,ラベルツリーを第一級学習信号とし,評価対象とする階層保存型コントラストフレームワークを提案する。 提案手法では,共有祖先による正負の対の強みを拡大する階層重みコントラスト (HWC) と,レベル・アウェア・マージン (LAM) の2つのプラグイン目標を導入する。
  論文  参考訳（メタデータ） (2025-11-05T18:53:25Z)
• Taxonomy-Aware Evaluation of Vision-Language Models [48.285819827561625]
  本稿では,視覚言語モデルから生成されたような制約のないテキスト予測を分類学に対して評価するためのフレームワークを提案する。 具体的には,分類学における予測の正しさと特異性を評価するために,階層的精度とリコール対策を用いることを提案する。
  論文  参考訳（メタデータ） (2025-04-07T19:46:59Z)
• Bringing motion taxonomies to continuous domains via GPLVM on hyperbolic manifolds [8.385386712928785]
  人間の動きは、人間の動きと環境との相互作用の仕方を分類する高レベルの階層的抽象化として機能する。 本稿では,関連する階層構造を捉えるハイパーボリック埋め込みを用いて分類データをモデル化することを提案する。 本モデルでは,既存の分類群や新分類群の未確認データを適切にエンコードし,EuclideanおよびVAEベースの分類群よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-04T15:19:24Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)

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。