用语义模两可的学习来实现无偏的场景图形生成
Shanjin Zhong1, Yang Cao2, Qiaosen Chen2
1School of Artificial Intelligence, South China Normal University, Foshan, Guangdong, China.
混合和平衡关系学习 (MBRL) 通过解决关系预测方面的挑战来改善场景图形生成. 这种模型不可知的方法提高了准确性,并处理不平衡的数据,以获得更好的视觉理解.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 场景图形生成 (SGG) 识别图像中的对象及其关系.
- SGG面临的挑战是长尾关系分布和模两可的语义关系.
- 目前的方法很难用一热标签来表示关系之间的语义相似性.
研究的目的:
- 提出一种模型无意识的方法,混合和平衡关系学习 (MBRL),以提高SGG的性能.
- 为了解决长尾分布的局限性和关系预测中的语义模糊性.
- 为了提高场景图形生成模型的准确性和稳定性.
主要方法:
- MBRL将软标签分配给含义关系模糊的样本.
- 它通过调整损失重量以适应细粒度和低频率关系来优化模型训练.
- 该方法是模型不可知,允许与各种SGG架构集成.
主要成果:
- 在SGG任务上,MBRL表现出高于最先进的方法的性能.
- 在关系预测准确度方面观察到显著的改进.
- 该方法有效地处理关系类别中的不平衡数据分布.
结论:
- MBRL为改善场景图形生成提供了有效的解决方案.
- 这种方法提高了模型预测多样化和语义上相似关系的能力.
- MBRL为推进人工智能的视觉理解提供了有价值的工具.
更多相关视频
07:36Eye Tracking During Visually Situated Language Comprehension: Flexibility and Limitations in Uncovering Visual Context Effects
Published on: November 30, 2018
13:04Measuring the Subjective Value of Risky and Ambiguous Options using Experimental Economics and Functional MRI Methods
Published on: September 19, 2012
相关概念视频
Schemas
Stereotype Content Model
Framing Effects
Woodward–Hoffmann Selection Rules and Microscopic Reversibility
Statically Indeterminate Problem Solving
[3,3] Sigmatropic Rearrangement of 1,5-Dienes: Cope Rearrangement
