要約
ノイズ除去モデルは強力な生成モデルであることが証明されているが、識別タスクについてはほとんど研究されていない。表現学習は識別タスクにおいて重要であり、「分類器や他の予測器を構築する際に有用な情報を抽出しやすくするデータの表現（または特徴）を学習すること」と定義される。本論文では、特徴抽出とノイズ除去を併用することで、特徴識別を改善する新しい表現学習のためのノイズ除去モデル(DenoiseRep)を提案する。DenoiseRepは、バックボーンの各埋め込み層をノイズ除去層と見なし、あたかも再帰的に段階的にノイズ除去を行うかのように、カスケード接続された埋め込み層を処理する。これは、特徴抽出とノイズ除去の枠組みを統一するものであり、前者は低レベルから高レベルへと段階的に特徴を埋め込み、後者は再帰的に段階的に特徴をノイズ除去する。その後、DenoiseRepは特徴抽出層とノイズ除去層のパラメータを融合し、融合前と融合後の等価性を理論的に示すことで、計算不要な特徴ノイズ除去を実現する。DenoiseRepはラベルフリーのアルゴリズムであり、特徴量を漸進的に改善するが、ラベルがあればそれを補完することもできる。再同定(Market-1501, DukeMTMC-reID, MSMT17, CUHK-03, vehicleID)、画像分類(ImageNet, UB200, Oxford-Pet, Flowers)、物体検出(COCO)、画像セグメンテーション(ADE20K)を含む様々な識別ビジョンタスクに対する実験結果は、安定性と印象的な改善を示している。また、CNN（ResNet）とTransformer（ViT、Swin、Vmamda）アーキテクチャでの有効性も検証している。
要約(オリジナル)
The denoising model has been proven a powerful generative model but has little exploration of discriminative tasks. Representation learning is important in discriminative tasks, which is defined as ‘learning representations (or features) of the data that make it easier to extract useful information when building classifiers or other predictors’. In this paper, we propose a novel Denoising Model for Representation Learning (DenoiseRep) to improve feature discrimination with joint feature extraction and denoising. DenoiseRep views each embedding layer in a backbone as a denoising layer, processing the cascaded embedding layers as if we are recursively denoise features step-by-step. This unifies the frameworks of feature extraction and denoising, where the former progressively embeds features from low-level to high-level, and the latter recursively denoises features step-by-step. After that, DenoiseRep fuses the parameters of feature extraction and denoising layers, and theoretically demonstrates its equivalence before and after the fusion, thus making feature denoising computation-free. DenoiseRep is a label-free algorithm that incrementally improves features but also complementary to the label if available. Experimental results on various discriminative vision tasks, including re-identification (Market-1501, DukeMTMC-reID, MSMT17, CUHK-03, vehicleID), image classification (ImageNet, UB200, Oxford-Pet, Flowers), object detection (COCO), image segmentation (ADE20K) show stability and impressive improvements. We also validate its effectiveness on the CNN (ResNet) and Transformer (ViT, Swin, Vmamda) architectures.
arxiv情報
| 著者 | Zhengrui Xu,Guan’an Wang,Xiaowen Huang,Jitao Sang |
| 発行日 | 2024-11-01 14:55:50+00:00 |
| arxivサイト | arxiv_id(pdf) |