論文の概要: Cross-dataset Training for Class Increasing Object Detection

• arxiv url: http://arxiv.org/abs/2001.04621v1
• Date: Tue, 14 Jan 2020 04:40:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 12:43:33.249743
• Title: Cross-dataset Training for Class Increasing Object Detection
• Title（参考訳）: クラス増加オブジェクト検出のためのクロスデータセットトレーニング
• Authors: Yongqiang Yao, Yan Wang, Yu Guo, Jiaojiao Lin, Hongwei Qin, Junjie Yan
• Abstract要約: オブジェクト検出におけるクロスデータセットトレーニングのための,概念的にシンプルで柔軟で汎用的なフレームワークを提案する。 データセット間のトレーニングによって、既存のデータセットを使用して、単一のモデルで統合されたオブジェクトクラスを検出することができる。 クロスデータセットトレーニングを使用している間、新しいデータセットに新しいクラスをラベル付けするだけです。
• 参考スコア（独自算出の注目度）: 52.34737978720484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a conceptually simple, flexible and general framework for cross-dataset training in object detection. Given two or more already labeled datasets that target for different object classes, cross-dataset training aims to detect the union of the different classes, so that we do not have to label all the classes for all the datasets. By cross-dataset training, existing datasets can be utilized to detect the merged object classes with a single model. Further more, in industrial applications, the object classes usually increase on demand. So when adding new classes, it is quite time-consuming if we label the new classes on all the existing datasets. While using cross-dataset training, we only need to label the new classes on the new dataset. We experiment on PASCAL VOC, COCO, WIDER FACE and WIDER Pedestrian with both solo and cross-dataset settings. Results show that our cross-dataset pipeline can achieve similar impressive performance simultaneously on these datasets compared with training independently.
• Abstract（参考訳）: オブジェクト検出におけるクロスデータセットトレーニングのための,概念的にシンプルで柔軟で汎用的なフレームワークを提案する。 異なるオブジェクトクラスを対象とする2つ以上のラベル付きデータセットが与えられた場合、cross-dataset trainingは、異なるクラスの結合を検出することを目的としています。 データセットのトレーニングにより、既存のデータセットを使用して、1つのモデルでマージされたオブジェクトクラスを検出できる。 さらに、産業アプリケーションでは、通常、オブジェクトクラスは需要に応じて増加する。 ですから、新しいクラスを追加する場合、既存のすべてのデータセットに新しいクラスをラベル付けると、かなり時間がかかります。 データセット間のトレーニングを使用する場合、新しいクラスを新しいデータセットにラベル付けるだけでよい。 我々は,PASCAL VOC,COCO,WIDER FACE,WIDER Pedestrianを単独およびクロスデータセット設定で実験した。 その結果、データセット間のパイプラインは、トレーニングと独立して、これらのデータセットで同様の印象的なパフォーマンスを同時に達成できることがわかった。

関連論文リスト

• Anno-incomplete Multi-dataset Detection [67.69438032767613]
  我々は「不完全なマルチデータセット検出」という新しい問題を提案する。 複数の注釈付きデータセットで全ての対象カテゴリを正確に検出できるエンドツーエンドのマルチタスク学習アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2024-08-29T03:58:21Z)
• Imitation Learning Datasets: A Toolkit For Creating Datasets, Training Agents and Benchmarking [0.9944647907864256]
  模倣学習分野は、タスク内のエージェントを訓練するために専門家データを必要とする。 多くの場合、この学習アプローチは利用可能なデータの欠如に悩まされる。 この作業は、Imitation Learningデータセットを作成することで、これらの問題に対処することを目的としている。
  論文  参考訳（メタデータ） (2024-03-01T14:18:46Z)
• Thinking Like an Annotator: Generation of Dataset Labeling Instructions [59.603239753484345]
  本稿では、公開されていないラベリング命令に対処するため、新しいタスクであるラベリング命令生成を導入する。 1)データセット内のカテゴリ毎に視覚的に代表されるサンプルのセットを生成し,2)サンプルに対応するテキストラベルを提供する。 このフレームワークは人間のアノテーションのプロキシとして機能し、最終的なラベル付け命令セットを生成し、その品質を評価するのに役立つ。
  論文  参考訳（メタデータ） (2023-06-24T18:32:48Z)
• Detection Hub: Unifying Object Detection Datasets via Query Adaptation on Language Embedding [137.3719377780593]
  新しいデザイン(De Detection Hubという名前)は、データセット認識とカテゴリ整列である。 データセットの不整合を緩和し、検出器が複数のデータセットをまたいで学習するための一貫性のあるガイダンスを提供する。 データセット間のカテゴリは、ワンホットなカテゴリ表現を単語埋め込みに置き換えることで、意味的に統一された空間に整列される。
  論文  参考訳（メタデータ） (2022-06-07T17:59:44Z)
• Single-dataset Experts for Multi-dataset Question Answering [6.092171111087768]
  複数のデータセットにネットワークをトレーニングして、新たなデータセットを一般化し、転送します。 我々のアプローチは、単一データセットの専門家の集合を用いて、マルチデータセットの質問応答をモデル化することである。 パラメータ警告に基づく単純な手法は、ゼロショットの一般化と少数ショットの転送性能の向上につながる。
  論文  参考訳（メタデータ） (2021-09-28T17:08:22Z)
• Simple multi-dataset detection [83.9604523643406]
  複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。 データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。 私たちのアプローチは手動の分類学の調整を必要としません。
  論文  参考訳（メタデータ） (2021-02-25T18:55:58Z)
• Object Detection with a Unified Label Space from Multiple Datasets [94.33205773893151]
  異なるラベル空間を持つ複数のデータセットが与えられた場合、この研究の目標は、すべてのラベル空間の結合について予測する単一のオブジェクト検出器をトレーニングすることである。 あるデータセットにアノテートされているが、別のデータセットにアノテートされていない顔のようなオブジェクトカテゴリを考えてみましょう。 顔のようないくつかのカテゴリは、あるデータセットでは前景と見なされるが、別のデータセットでは背景と見なされる。 本稿では,部分的だが正しいアノテーションを補完的だがノイズの多い擬似ラベルと注意深く統合する損失関数を提案する。
  論文  参考訳（メタデータ） (2020-08-15T00:51:27Z)
• Self-supervised Robust Object Detectors from Partially Labelled Datasets [3.1669406516464007]
  データセットをマージすることで、複数のオブジェクトをトレーニングする代わりに、1つの統合オブジェクト検出器をトレーニングすることができます。 本稿では,統合されたデータセットのラベルの欠落を克服するためのトレーニングフレームワークを提案する。 VOC2012 と VOC2007 を用いて,Yolo の誤り率 $approx!48%$ で,シミュレーションした統合データセット上で Yolo をトレーニングするためのフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2020-05-23T15:18:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。