抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
階層的意味構造は画像データセットに自然に存在し,その中で,いくつかの意味的に関連する画像クラスタは,より粗い粒子意味論を持つ大きなクラスタにさらに統合できる。画像表現によるそのような構造の捕捉は,様々な下流タスクに関する意味理解に大いに役立つ。既存のコントラスト表現学習法は,そのような重要なモデル能力を欠いている。さらに,これらの方法で使用される負のペアは,意味的に異なることが保証されず,学習された画像表現の構造的正当性をさらに妨げることができる。これらの限界に取り組むために,階層的コントラスト選択符号化(HCSC)と呼ばれる新しいコントラスト学習フレームワークを提案した。このフレームワークにおいて,階層的プロトタイプの集合を構築し,また,潜在空間におけるデータの基礎となる階層的意味構造を表現するために動的に更新した。画像表現がそのような意味構造をより良く適合させるために,著者らは,精巧なペア選択方式を通して,従来のインスタンスとプロトタイプの対比学習を採用して,さらに改良する。このスキームは,類似した意味論を持つより多様な正対と,真に異なる意味論を持つより精密な負の対を選択することを追求する。広範な下流タスクにおいて,最先端のコントラスト法に対するHCSCの優れた性能を検証し,主要なモデル成分の有効性を,豊富な分析研究によって証明した。Secにおける包括的モデル動物を構築した。D.著者らのソースコードとモデル重みは,https://github.com/gyfastas/HCSCで利用可能である。【JST・京大機械翻訳】