論文の概要: A Simple Semi-Supervised Learning Framework for Object Detection

• arxiv url: http://arxiv.org/abs/2005.04757v2
• Date: Thu, 3 Dec 2020 04:12:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 02:07:04.790889
• Title: A Simple Semi-Supervised Learning Framework for Object Detection
• Title（参考訳）: オブジェクト検出のための簡易半教師付き学習フレームワーク
• Authors: Kihyuk Sohn, Zizhao Zhang, Chun-Liang Li, Han Zhang, Chen-Yu Lee, and Tomas Pfister
• Abstract要約: 半教師付き学習(SSL)は、ラベルなしデータを用いた機械学習モデルの予測性能を改善する可能性がある。 本稿では,データ拡張戦略とともに,視覚オブジェクト検出のための簡易かつ効果的なSSLフレームワークSTACを提案する。
• 参考スコア（独自算出の注目度）: 55.95789931533665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning (SSL) has a potential to improve the predictive performance of machine learning models using unlabeled data. Although there has been remarkable recent progress, the scope of demonstration in SSL has mainly been on image classification tasks. In this paper, we propose STAC, a simple yet effective SSL framework for visual object detection along with a data augmentation strategy. STAC deploys highly confident pseudo labels of localized objects from an unlabeled image and updates the model by enforcing consistency via strong augmentations. We propose experimental protocols to evaluate the performance of semi-supervised object detection using MS-COCO and show the efficacy of STAC on both MS-COCO and VOC07. On VOC07, STAC improves the AP$^{0.5}$ from $76.30$ to $79.08$; on MS-COCO, STAC demonstrates $2{\times}$ higher data efficiency by achieving 24.38 mAP using only 5\% labeled data than supervised baseline that marks 23.86\% using 10\% labeled data. The code is available at https://github.com/google-research/ssl_detection/.
• Abstract（参考訳）: semi-supervised learning (ssl) はラベルなしのデータを用いた機械学習モデルの予測性能を向上させる可能性がある。 近年は顕著に進歩しているものの、sslのデモンストレーションのスコープは主に画像分類のタスクである。 本稿では,データ拡張戦略とともに,視覚オブジェクト検出のための簡易かつ効果的なSSLフレームワークSTACを提案する。 STACは、ラベルのないイメージから、高度に信頼性の高いローカライズドオブジェクトの擬似ラベルをデプロイし、強力な拡張を通じて一貫性を強制することによってモデルを更新する。 我々は,MS-COCOを用いた半教師対象検出の性能評価と,MS-COCOおよびVOC07におけるSTACの有効性を示す実験的プロトコルを提案する。 VOC07では、STACがAP$^{0.5}$を76.30ドルから79.08ドルに改善し、MS-COCOでは、ラベル付きデータで23.86\%となる教師付きベースラインよりもわずか5.38 mAPで24.38 mAPを達成し、より高いデータ効率を示す。 コードはhttps://github.com/google-research/ssl_detection/で入手できる。

関連論文リスト

• The Devil is in the Points: Weakly Semi-Supervised Instance Segmentation via Point-Guided Mask Representation [61.027468209465354]
  本稿では,ポイントラベル付き弱半教師付きインスタンスセグメンテーション(WSSIS)という新しい学習手法を提案する。 本稿では、予算に優しいポイントラベルを強力な弱監督源として効果的に活用できるWSSISの手法を提案する。 我々はCOCOとBDD100Kデータセットの広範な実験を行い、提案手法は完全な教師付きモデルのデータセットに匹敵する有望な結果を得る。
  論文  参考訳（メタデータ） (2023-03-27T10:11:22Z)
• ESTAS: Effective and Stable Trojan Attacks in Self-supervised Encoders with One Target Unlabelled Sample [16.460288815336902]
  ESTASは1つのターゲットクラスサンプルで99%の攻撃成功率(ASR)を達成する。 従来の研究と比較すると、ESTASは平均で30%のASR増加と8.3%の精度向上を達成した。
  論文  参考訳（メタデータ） (2022-11-20T08:58:34Z)
• A semi-supervised Teacher-Student framework for surgical tool detection and localization [2.41710192205034]
  外科的ツール検出のパラダイムにおいて,半教師付き学習(SSL)フレームワークを導入する。 提案手法では,教師-学生共同学習を初期化するラベル付きデータを用いたモデルを訓練する。 m2cai16-tool-locations データセットの結果は、異なる教師付きデータ設定に対するアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2022-08-21T17:21:31Z)
• Pseudo-Labeling Based Practical Semi-Supervised Meta-Training for Few-Shot Learning [93.63638405586354]
  擬似ラベルベースメタラーニング(PLML)という,シンプルで効果的なメタトレーニングフレームワークを提案する。 まず、一般的な半教師付き学習(SSL)を用いて分類器を訓練し、ラベルなしデータの擬似ラベルを得る。 ラベル付きおよび擬似ラベル付きデータから数ショットのタスクを構築し、特徴の平滑化と雑音抑圧を伴う新しい微調整法を設計する。
  論文  参考訳（メタデータ） (2022-07-14T10:53:53Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)
• Humble Teachers Teach Better Students for Semi-Supervised Object Detection [7.764145630268344]
  我々のモデルは、VOC12をラベルなしデータとして使用する場合、VOC07 valセットで53.04%、STACより8.4%のCOCOスタイルのAPを実現する。 また、MS-COCOテストデーブで53.8%APに達し、完全に監督されたResNet-152 Cascaded R-CNNよりも3.1%アップしている。
  論文  参考訳（メタデータ） (2021-06-19T09:05:10Z)
• Instant-Teaching: An End-to-End Semi-Supervised Object Detection Framework [14.914115746675176]
  半教師付きオブジェクト検出はラベルなしのデータを利用してモデルの性能を向上させることができる。 Instant-Teachingを提案する。これはトレーニングの繰り返しの指導に弱いデータ拡張を施した擬似ラベリングを用いている。 2%$ラベル付きデータを用いたMS-COCOでは,最新手法を4.2 mAP超えている。
  論文  参考訳（メタデータ） (2021-03-21T14:03:36Z)
• Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
  SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。 学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T17:02:57Z)
• Unsupervised Semantic Aggregation and Deformable Template Matching for Semi-Supervised Learning [34.560447389853614]
  ラベルなしデータのセマンティックラベルを生成するために,T-MI損失に基づく教師なしセマンティックアグリゲーションを提案する。 ラベル付きサンプルを格納する機能プールは動的に更新され、ラベルなしデータのプロキシラベルが割り当てられる。 実験と解析により、USADTMが最高性能を達成することを確認した。
  論文  参考訳（メタデータ） (2020-10-12T08:17:56Z)

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。