論文の概要: ProtoSemImage: Image-Valued Prototypes with Deformable Row Alignment for Interpretable Document Classification

• arxiv url: http://arxiv.org/abs/2610.11460v1
• Date: Thu, 08 Oct 2026 08:12:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.885492
• Title: ProtoSemImage: Image-Valued Prototypes with Deformable Row Alignment for Interpretable Document Classification
• Title（参考訳）: ProtoSem Image: 解釈可能な文書分類のための変形可能なロウアライメント付き画像値プロトタイプ
• Abstract要約: ProtoSemImageは、各クラスを1つ以上の視覚的アーチタイプで表現する。 スキップ・グラムの目的は、色空間が4次元のボトルネックによって終わることを学ぶ。 一対の文書が単語の袋を共有するように構築されたベンチマークは、それが設計したレイアウト保存を確認します。
• 参考スコア（独自算出の注目度）: 1.9336815376402718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prototypes in classification models are almost always vectors, and a vector has no readable form. This paper asks what happens when a prototype is an image. Documents give the question a natural form, because a document can be rendered as a multi-channel image in which every token becomes a pixel, so a class representative can take the same shape and the same channel semantics as the inputs it stands for. ProtoSemImage represents each class by one or more visual archetypes: prototype images in a four-channel HSV space whose channels carry named linguistic factors. A Skip-Gram objective learns that color space end to end through a four-dimensional bottleneck, discourse boundary rows become differentiable typed difference rows, and classification reduces to 2D visual template matching: a deformable row alignment between a document image and the archetype bank, in the spirit of dynamic time warping. Because the match is a spatial pattern comparison rather than a linear readout, the model reports where an input departs from its archetype and along which channel, and a generative head decodes each archetype back into text. The image representation works: it beats an otherwise identical model with vector prototypes in all three paired seeds, by between 4.3 and 11.8 points on a ten-class task. The distance-based matching does not. A diagnostic that keeps the representation fixed and swaps only the classifier recovers the sequence baselines, which locates a 20.6-point shortfall in the matching rather than in the color compression, and a benchmark built so that a pair of documents shares a bag of words and differs only in arrangement confirms the layout-preservation it was designed for. We report both directions, because for a representation whose whole purpose is inspect ability, the failure modes are as informative as the gains.
• Abstract（参考訳）: 分類モデルの原型はほとんど常にベクトルであり、ベクトルは可読形式を持たない。 本稿では,プロトタイプが画像である場合に何が起こるのかを問う。 文書は、すべてのトークンがピクセルになるマルチチャネルイメージとして描画できるため、クラス代表者は、その入力が持つものと同じ形と同じチャネルセマンティクスを持つことができる。 ProtoSemImageは、各クラスを1つ以上の視覚的アーチタイプで表現している。 Skip-Gram の目的は、4次元のボトルネックによって色空間の終端が終わり、談話境界行が微分可能な型付き差分列となり、分類は2次元の視覚的テンプレートマッチング(文書画像とアーチタイプバンクとの間の変形可能な行アライメント)に還元される。 一致は線形読み出しではなく空間パターンの比較であるため、入力がアーチタイプから出発し、どのチャネルに沿っているかをモデルが報告し、生成ヘッドがそれぞれのアーチタイプをテキストに復号する。 イメージ表現は機能する: ベクターのプロトタイプを3つの組の種すべてに当てはめ、10クラスのタスクで4.3点から11.8点の差で打ち負かす。 距離ベースのマッチングは行わない。 表現を固定し、分類器のみを交換する診断は、色圧縮ではなく、マッチングにおける20.6ポイントの不足点を特定するシーケンスベースラインを復元する。 目的が検査能力である表現において、障害モードは利得と同じくらい情報的であるため、両方の方向性を報告します。

関連論文リスト

• Cross-Modal Prototype Alignment and Mixing for Training-Free Few-Shot Classification [52.48204114948899]
  本研究は,画像とテキストのプロトタイプを直接混合した場合の影響について考察する。 試作品の混合は, 収縮推定器として機能することを示す。 そこで本研究では,画像のプロトタイプをセマンティックテキスト埋め込み空間の主方向へ投影し,テキスト対応のセマンティックイメージ部分空間を得る。
  論文  参考訳（メタデータ） (2026-03-25T17:04:43Z)
• SemImage: Semantic Image Representation for Text, a Novel Framework for Embedding Disentangled Linguistic Features [0.0]
  SemImageは、畳み込みニューラルネットワーク(CNN)によって処理される2次元のセマンティックイメージとしてテキスト文書を表現する新しい方法である。 SemImageでは、各単語は2D画像のピクセルとして表現される:行は文に対応し、追加の境界行は文間に挿入されて意味遷移を示す。
  論文  参考訳（メタデータ） (2025-11-26T12:58:21Z)
• DEADiff: An Efficient Stylization Diffusion Model with Disentangled Representations [64.43387739794531]
  現在のエンコーダベースのアプローチは、スタイルの転送中にテキスト・ツー・イメージモデルのテキスト制御性を著しく損なう。 この問題に対処するために、以下の2つの戦略を用いてDEADiffを紹介します。 DeAiffは、テキスト・ツー・イメージモデルに固有のテキスト制御性と、参照画像とスタイルの類似性との間の最適な視覚的スタイリング結果と最適なバランスを得る。
  論文  参考訳（メタデータ） (2024-03-11T17:35:23Z)
• SA$^2$VP: Spatially Aligned-and-Adapted Visual Prompt [59.280491260635266]
  視覚的プロンプトチューニングの方法は、NLPから派生した逐次モデリングパラダイムに従う。 マイモデルモデルは、画像トークンマップに等しい大きさ(またはスケールした)の2次元プロンプトトークンマップを学習する。 我々のモデルは、個々の画像トークンをきめ細かな方法でプロンプトすることができる。
  論文  参考訳（メタデータ） (2023-12-16T08:23:43Z)
• This Looks Like Those: Illuminating Prototypical Concepts Using Multiple Visualizations [19.724372592639774]
  ProtoConceptsは,ディープラーニングとケースベース推論を組み合わせた画像分類手法である。 提案手法は,プロトタイプベースネットワークのアーキテクチャを改良し,複数のイメージパッチを用いて視覚化された概念を学習する。 実験の結果,この手法は,既存の画像分類網の広範な変更として適用可能であることがわかった。
  論文  参考訳（メタデータ） (2023-10-28T04:54:48Z)
• Self-supervised Cross-view Representation Reconstruction for Change Captioning [113.08380679787247]
  変更キャプションは、類似したイメージのペアの違いを記述することを目的としている。 その主な課題は、視点変化によって引き起こされる擬似変化の下で、安定した差分表現を学習する方法である。 自己教師型クロスビュー表現再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-28T09:28:50Z)
• Unicom: Universal and Compact Representation Learning for Image Retrieval [65.96296089560421]
  大規模LAION400Mを,CLIPモデルにより抽出された共同テキストと視覚的特徴に基づいて,100万の擬似クラスにクラスタリングする。 このような矛盾を緩和するために、我々は、マージンベースのソフトマックス損失を構築するために、ランダムにクラス間の部分的なプロトタイプを選択する。 提案手法は,複数のベンチマークにおいて,教師なし,教師なしの画像検索手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-12T14:25:52Z)
• Robust One-shot Segmentation of Brain Tissues via Image-aligned Style Transformation [13.430851964063534]
  本稿では,脳組織のワンショットセグメンテーションのための2モデル反復学習を強化するために,新しい画像整列型変換を提案する。 2つの公開データセットによる実験結果から,1)完全教師付き手法と比較して,提案手法の競合セグメンテーション性能が向上し,2)Diceの平均値が4.67%向上した他の最先端技術よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-11-26T09:14:01Z)
• APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic Segmentation [56.387647750094466]
  Few-shotのセマンティックセマンティックセマンティクスは、指定されたクエリイメージに、ラベル付きサポートイメージのみで、新規クラスのオブジェクトをセグメントすることを目的としている。 ほとんどの高度なソリューションは、各クエリ機能を学習したクラス固有のプロトタイプにマッチさせることでセグメンテーションを実行するメトリクス学習フレームワークを利用している。 本稿では,クラス固有およびクラス非依存のプロトタイプを導入することで,適応型プロトタイプ表現を提案する。
  論文  参考訳（メタデータ） (2021-11-24T04:38:37Z)

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。