クラスバランスのとれた分布アライメントによる部分的に監督された構成的なゼロショット学習

科学分野:

• コンピュータサイエンス コンピュータサイエンス
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

• 部分的に監督された組成型ゼロショット学習 (pCZSL) は,オブジェクトとスケール依存関係における異なる状態の特徴により,新しい組成を認識する上で課題に直面しています.
• 既存の方法は,これらの複雑な特徴の相互作用を効果的にモデル化するために苦労しています.

研究 の 目的:

• 新しいオブジェクト状態組成を正確に認識するpCZSLのための高度なアーキテクチャを開発する.
• オブジェクトの文脈とスケールに左右される状態特性の変動性を扱うために.

主な方法:

• スウィン・トランスフォーマーベースのヒエラルキカル・フィーチャー・エキストラクター (HFE) を採用した新しいアーキテクチャで,状態とオブジェクトの特徴の間の意味的相互作用をキャプチャします.
• ディスクリミナティブ・コンテキスト・アグレゲーション・モジュールは,中間のHFE層を使用して,それぞれのスケールでオブジェクトの特徴を分析します.
• 強度増強画像と弱度増強画像からの予測の差を最小限に抑え,データ不均衡を管理するためにクラス固有の再重量付けを組み込む分布アライナメント損失関数.

主要な成果:

• 提案された方法は,PCZSLタスクの3つのベンチマークデータセットで優れたパフォーマンスを示しています.
• このアーキテクチャは,構成学習に不可欠な階層的な特徴と文脈的な情報を効果的に捉えています.
• 再加重による配分アライナメント損失は,部分的にラベル付けされたデータを成功裏に活用し,階級不均衡の問題を緩和します.

結論:

• 開発されたアプローチは,部分的に監督された複合的なゼロショット学習の最先端を大幅に前進させます.
• 階層的な特徴抽出器と差別的な文脈集積モジュールは,特徴の変異とスケール依存性の処理に有効です.
• この研究は,限られた監督で複雑な視覚的構成を認識するための堅固な枠組みを提供します.