In this work, we propose to model r

In this work, we propose to model relative attributes.
As opposed to predicting the presence of an attribute,
a relative attribute indicates the strength of an attribute
in an image with respect to other images. For example, in Figure 1, while it is difficult to assign a meaningful
value to the binary attribute ‘smiling’, we could all agree on
the relative attribute, i.e. Hugh Laurie is smiling less than
Scarlett Johansson, but more than Jared Leto. In addition to
being more natural, relative attributes would offer a richer
mode of communication, thus allowing access to more detailed
human supervision (and so potentially higher recognition
accuracy), as well as the ability to generate more informative
descriptions of novel images.
How can we learn relative properties? Whereas traditional
supervised classification is appropriate to learn attributes
that are intrinsically binary, it falls short when we
want to represent visual properties that are nameable but not
categorical. Our goal is instead to estimate the degree of
that attribute’s presence—which, importantly, differs from
the probability of a binary classifier’s prediction. To this
end, we devise an approach that learns a ranking function
for each attribute, given relative similarity constraints on
pairs of examples (or more generally a partial ordering on
some examples). The learned ranking function can estimate
a real-valued rank1 for images indicating the relative
strength of the attribute presence in them. Then, we introduce
novel forms of zero-shot learning and description that
exploit the relative attribute predictions.
The proposed ranking approach accounts for a subtle but
important difference between relative attributes and conceivable
alternatives based on regression or multi-way classification.
While such alternatives could also allow for a
richer vocabulary, during training they could suffer from
similar inconsistencies as binary attributes. For example,
it is more difficult to define and perhaps more importantly,
agree on, “With what strength is he smiling?” than “Is he
smiling more than she is?”. Thus, we expect the relative
mode of supervision our approach permits to be more natural
and consistent for human labelers.

ผลลัพธ์ (ไทย) 1:

ในงานนี้ เรานำเสนอรุ่นแอตทริบิวต์ของญาติเมื่อเทียบกับการทำนายการมีอยู่ของแอตทริบิวต์แอตทริบิวต์สัมพัทธ์บ่งชี้ความแรงของแอตทริบิวต์รูปภาพเกี่ยวกับรูปภาพอื่น ๆ ตัวอย่าง ในรูปที่ 1 ในขณะที่ยากที่จะกำหนดให้มีความหมายค่าแอตทริบิวต์ไบนารี 'รอยยิ้ม' เราสามารถทั้งหมดตกลงบนแอตทริบิวต์ญาติ เช่น Hugh Laurie ยิ้มน้อยกว่าสกาเล็ต แต่มากกว่าจาเรดเลโท นอกเหนือไปจากการแอตทริบิวต์เป็นธรรมชาติ ญาติจะให้ลึกยิ่งขึ้นโหมดของการสื่อสาร ให้เข้าถึงรายละเอียดเพิ่มเติมดูแลมนุษย์ (และดังนั้นอาจสูงกว่าการรับรู้ความถูกต้อง), รวมทั้งความสามารถในการสร้างข้อมูลเพิ่มเติมคำอธิบายของภาพนวนิยายวิธีที่เราสามารถเรียนรู้คุณสมบัติญาติ ในขณะที่แบบดั้งเดิมดูแลการจัดประเภทเหมาะสมเพื่อการเรียนรู้แอตทริบิวต์ที่อยู่ภายในไบนารี ตรงสั้นเมื่อเราต้องการแสดงคุณสมบัติภาพที่ nameable แต่ไม่แน่ชัด เป้าหมายของเราคือแทนการ ประมาณระดับแอตทริบิวต์ที่ปรากฏ — ที่ สำคัญ แตกต่างจากความน่าเป็นการคาดเดาของลักษณนามแบบไบนารี ในการนี้ท้ายที่สุด เราประดิษฐ์วิธีการที่เรียนรู้ฟังก์ชันการจัดลำดับสำหรับแต่ละคุณลักษณะ กำหนดข้อจำกัดความสัมพันธ์คล้ายคลึงกันตัวอย่าง (หรือโดยทั่วไปมีบางส่วนสั่งซื้อบนบางตัวอย่าง) ฟังก์ชันการจัดอันดับการเรียนรู้สามารถประเมินมีมูลค่าจริง rank1 ภาพแสดงญาติความแข็งแรงของแอตทริบิวต์มีอยู่ในพวกเขา จากนั้น เราแนะนำรูปแบบนวนิยายภาพศูนย์การเรียนรู้และคำอธิบายที่ใช้ประโยชน์จากการคาดคะเนเปรียบเทียบแอตทริบิวต์วิธีการนำเสนอการจัดอันดับบัญชีสำหรับ a แต่ลึกซึ้งความแตกต่างที่สำคัญ ระหว่างแอตทริบิวต์ที่เกี่ยวข้อง และเป็นไปได้ทางเลือกตามจัดประเภทถดถอยหรือหลายเส้นในขณะที่ทางเลือกดังกล่าวอาจทำให้ยังมีคำศัพท์ยิ่งขึ้น ในระหว่างการฝึกอบรมที่พวกเขาสามารถประสบไม่สอดคล้องกันคล้ายเป็นแอตทริบิวต์ของไบนารี ตัวอย่างเช่นยิ่งยากที่จะกำหนด และบางทีที่สำคัญตกลง "มีความแข็งแรงอะไรคือเขายิ้มอะไร" มากกว่า "เขารอยยิ้มมากกว่าเธอ? " ดังนั้น เราคาดว่าญาติโหมดของการกำกับดูแลแนวทางของเราอนุญาตให้เป็นธรรมชาติมากขึ้นและสอดคล้องกันสำหรับมนุษย์ labelers

ผลลัพธ์ (ไทย) 2:

ในงานนี้เรานำเสนอรูปแบบแอตทริบิวต์ญาติ.
เมื่อเทียบกับการคาดการณ์การปรากฏตัวของแอตทริบิวต์ที่
แอตทริบิวต์ญาติแสดงถึงความเข้มของแอตทริบิวต์
ในภาพที่เกี่ยวกับภาพอื่น ๆ ยกตัวอย่างเช่นในรูปที่ 1 ขณะที่มันเป็นเรื่องยากที่จะกำหนดความหมาย
คุณค่าให้กับแอตทริบิวต์ไบนารี 'ยิ้ม' เราทุกคนสามารถเห็นด้วยกับ
แอตทริบิวต์ญาติเช่นฮิวจ์ลอรียิ้มน้อยกว่า
Scarlett Johansson แต่กว่า Jared Leto นอกเหนือไปจาก
การเป็นธรรมชาติมากขึ้นคุณลักษณะญาติจะนำเสนอที่ดียิ่งขึ้น
โหมดการสื่อสารจึงช่วยให้การเข้าถึงรายละเอียดเพิ่มเติม
การกำกับดูแลของมนุษย์ (และอื่น ๆ ที่อาจเกิดขึ้นได้รับการยอมรับสูงกว่า
ความถูกต้อง) เช่นเดียวกับความสามารถในการสร้างเพิ่มเติมข้อมูล
รายละเอียดของภาพนวนิยาย.
ได้อย่างไร เราเรียนรู้คุณสมบัติญาติ? ในขณะที่แบบดั้งเดิม
จำแนกประเภทภายใต้การดูแลมีความเหมาะสมที่จะเรียนรู้คุณลักษณะ
ที่มีไบนารีภายในก็ตรงสั้นเมื่อเรา
ต้องการที่จะเป็นตัวแทนของคุณสมบัติของภาพที่มี nameable แต่ไม่
เด็ดขาด เป้าหมายของเราคือแทนที่จะประเมินองศาของ
แอตทริบิวต์ว่าการปรากฏตัวซึ่งที่สำคัญที่แตกต่างจาก
ความน่าจะเป็นของการทำนายลักษณนามไบนารีของ นี้
ในตอนท้ายเราประดิษฐ์วิธีการเรียนรู้ที่ฟังก์ชั่นการจัดอันดับ
สำหรับแต่ละแอตทริบิวต์ที่กำหนดข้อ จำกัด คล้ายคลึงกันญาติใน
คู่ของตัวอย่าง (หรือมากกว่าโดยทั่วไปการสั่งซื้อบางส่วนเกี่ยวกับ
ตัวอย่างบางส่วน) เรียนรู้ฟังก์ชั่นการจัดอันดับสามารถประมาณการ
rank1 จริงมูลค่าสำหรับภาพที่แสดงให้เห็นญาติ
ความแข็งแรงของการแสดงตนแอตทริบิวต์ในพวกเขา จากนั้นเราจะแนะนำ
รูปแบบนวนิยายของการเรียนรู้ศูนย์ยิงและคำอธิบายที่
ใช้ประโยชน์จากการคาดการณ์ที่แอตทริบิวต์ญาติ.
บัญชีวิธีการจัดอันดับเสนอสำหรับบอบบาง แต่
ความแตกต่างที่สำคัญระหว่างคุณลักษณะและญาติไปได้
ทางเลือกบนพื้นฐานของการถดถอยหรือหลายวิธีการจัดหมวดหมู่.
ในขณะที่ทางเลือกดังกล่าวอาจ นอกจากนี้ยังอนุญาตให้มี
คำศัพท์ที่ดียิ่งขึ้นในระหว่างการฝึกอบรมที่พวกเขาจะต้องทนทุกข์ทรมานจาก
ความไม่สอดคล้องกันเช่นเดียวกับคุณลักษณะไบนารี ยกตัวอย่างเช่น
มันเป็นเรื่องยากมากขึ้นในการกำหนดและบางทีอาจจะมากกว่าที่สำคัญ
เห็นด้วยกับ "กับสิ่งที่ความแข็งแรงของเขายิ้ม?" กว่า "เป็นเขา
ยิ้มมากกว่าที่เธอคืออะไร?" ดังนั้นเราคาดว่าญาติ
โหมดของการกำกับดูแลใบอนุญาตวิธีการของเราจะเป็นธรรมชาติมากขึ้น
และสอดคล้องกันสำหรับฉลากของมนุษย์

ผลลัพธ์ (ไทย) 3:

ในงานนี้ เราขอเสนอรูปแบบคุณลักษณะของญาติตรงข้ามกับที่ทำนายการมีอยู่ของ คุณลักษณะแอตทริบิวต์ญาติบ่งชี้ความแข็งแกร่งของแอตทริบิวต์ในรูป ส่วนภาพอื่น ๆ ตัวอย่างเช่นใน 1 รูป ในขณะที่มันเป็นเรื่องยากที่จะกำหนดความหมายค่าแอตทริบิวต์ " ไบนารียิ้ม " เราสามารถตกลงกันได้ในแอตทริบิวต์แบบสัมพัทธ์ เช่น Hugh Laurie ยิ้มน้อยกว่าสการ์เล็ต โจแฮนสัน แต่กว่าจาเรดเลโท นอกจากนี้เป็นธรรมชาติมากขึ้นคุณลักษณะญาติจะให้มากยิ่งขึ้นโหมดของการสื่อสาร ดังนั้นจึง ช่วยให้เข้าถึงข้อมูลมากขึ้นการดูแลของมนุษย์ ( และอาจสูงกว่าการรับรู้ความถูกต้อง รวมทั้งความสามารถในการสร้างข้อมูลเพิ่มเติมคำอธิบายของภาพใหม่วิธีที่เราสามารถเรียนรู้คุณสมบัติของญาติ ในขณะที่แบบดั้งเดิมการดูแลที่เหมาะสมที่จะเรียนรู้ แอตทริบิวต์ที่ภายในไบนารี มันสั้นลง เมื่อเราต้องการเป็นตัวแทนคุณสมบัติภาพที่ nameable แต่ไม่เป็นเด็ดขาด เป้าหมายของเราคือเพื่อประเมินระดับของแทนที่แสดงคุณลักษณะของที่สำคัญที่แตกต่างจากความน่าจะเป็นแบบไบนารีของพยากรณ์ นี้สุดท้าย เราคิดวิธีการเรียนรู้ฟังก์ชันการจัดอันดับสำหรับแต่ละแอตทริบิวต์ให้ความเหมือนญาติในข้อจำกัดคู่ของตัวอย่าง ( หรือมากกว่าโดยทั่วไปในการสั่งซื้อบางส่วนตัวอย่างบางส่วน ) การจัดอันดับเรียนรู้ฟังก์ชันสามารถประมาณการจริงมูลค่า rank1 ภาพแสดงความสัมพันธ์ความแข็งแกร่งของตนในลักษณะนั้น งั้นเราแนะนำนวนิยายรูปแบบศูนย์การเรียนรู้และรายละเอียดที่ยิงใช้ประโยชน์จากการคาดการณ์ของญาติการจัดอันดับที่เสนอวิธีการบัญชีสําหรับบอบบางแต่ความแตกต่างที่สำคัญระหว่างลักษณะสัมพัทธ์ และเป็นไปได้ทางเลือกขึ้นอยู่กับการถดถอยหรือการจำแนกวิธีหลายในขณะที่ทางเลือกดังกล่าวยังสามารถอนุญาตให้สำหรับรวยคำศัพท์ ในระหว่างการฝึกอบรม พวกเขาอาจประสบจากความไม่สอดคล้องกันคล้ายกันเป็นแอตทริบิวต์ของแฟ้มไบนารี ตัวอย่างเช่นมันเป็นเรื่องยากที่จะกำหนดและอาจจะยิ่งกว่าเห็นด้วยเรื่อง " ด้วยแรงอะไร เขายิ้ม " มากกว่า " เขายิ้มมากกว่าเธอ ? " ดังนั้น เราคาดว่าญาติโหมดการนิเทศวิธีการของเราให้เป็นธรรมชาติมากขึ้นและสอดคล้องกับมนุษย์ labelers .