論文の概要: Self-supervised Robust Object Detectors from Partially Labelled Datasets
- arxiv url: http://arxiv.org/abs/2005.11549v2
- Date: Sat, 27 Jun 2020 03:56:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 03:46:45.549596
- Title: Self-supervised Robust Object Detectors from Partially Labelled Datasets
- Title（参考訳）: 部分遅延データセットからの自己制御ロバスト物体検出装置
- Authors: Mahdieh Abbasi, Denis Laurendeau, Christian Gagne
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.1669406516464007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the object detection task, merging various datasets from similar contexts
but with different sets of Objects of Interest (OoI) is an inexpensive way (in
terms of labor cost) for crafting a large-scale dataset covering a wide range
of objects. Moreover, merging datasets allows us to train one integrated object
detector, instead of training several ones, which in turn resulting in the
reduction of computational and time costs. However, merging the datasets from
similar contexts causes samples with partial labeling as each constituent
dataset is originally annotated for its own set of OoI and ignores to annotate
those objects that are become interested after merging the datasets. With the
goal of training \emph{one integrated robust object detector with high
generalization performance}, we propose a training framework to overcome
missing-label challenge of the merged datasets. More specifically, we propose a
computationally efficient self-supervised framework to create on-the-fly
pseudo-labels for the unlabeled positive instances in the merged dataset in
order to train the object detector jointly on both ground truth and pseudo
labels. We evaluate our proposed framework for training Yolo on a simulated
merged dataset with missing rate $\approx\!48\%$ using VOC2012 and VOC2007. We
empirically show that generalization performance of Yolo trained on both ground
truth and the pseudo-labels created by our method is on average $4\%$ higher
than the ones trained only with the ground truth labels of the merged dataset.
- Abstract（参考訳）: オブジェクト検出タスクでは、類似したコンテキストから様々なデータセットをマージするが、異なる関心対象セット(ooi)は、広範囲のオブジェクトをカバーする大規模データセットを作成するための安価な方法(労力コストの観点から)である。
さらに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のではなく、1つの統合された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。
しかし、類似したコンテキストからデータセットをマージすると、各構成要素データセットはもともと独自のooiセットにアノテートされ、データセットマージ後に関心を持つオブジェクトにアノテートすることを無視するので、部分的なラベリングを持つサンプルが発生する。
emph{one integrated robust object detector with high generalization performance} のトレーニングを目標として,統合データセットの欠落ラベル課題を克服するトレーニングフレームワークを提案する。
より具体的には、統合データセット内のラベルなしの正のインスタンスに対してオンザフライの擬似ラベルを作成するための計算効率の高い自己教師付きフレームワークを提案する。
提案するYoloのトレーニングフレームワークを,フェールレート$\approx\!で,シミュレーションしたマージデータセット上で評価する。
48\%がVOC2012およびVOC2007を使用する。
実験により,本手法で作成した擬似ラベルと基底真理で訓練されたyoloの一般化性能は,統合データセットの基底真理ラベルのみで訓練されたものよりも平均4～%高い値を示した。
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) - Synthetic data enables faster annotation and robust segmentation for
multi-object grasping in clutter [9.092550803271005]
本稿では、人間の介入を最小限に抑え、下流画像分割アルゴリズムをより堅牢にする合成データ生成手法を提案する。
実験により,提案した合成シーン生成はラベリング時間を劇的に短縮できることが示された。
Pick-and-place実験は、私たちのハイブリッドデータセット(98.9%、70%)でトレーニングされたセグメンテーションが、実際のデータセットと公開データセット(6.7%、18.8%)と(2.8%、10%)をラベリングと達成率で上回っていることを示した。
論文 参考訳（メタデータ） (2024-01-24T11:58:30Z) - A Bag-of-Prototypes Representation for Dataset-Level Applications [24.629132557336312]
本研究では,データセットレベルの2つのタスクに対するデータセットベクトル化について検討する。
本稿では,パッチ記述子からなるイメージレベルバッグを,セマンティックプロトタイプからなるデータセットレベルバッグに拡張する,Bop-of-prototypes(BoP)データセット表現を提案する。
BoPは、2つのデータセットレベルのタスクに対する一連のベンチマークにおいて、既存の表現に対する優位性を一貫して示している。
論文 参考訳（メタデータ） (2023-03-23T13:33:58Z) - 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) - Primitive3D: 3D Object Dataset Synthesis from Randomly Assembled
Primitives [44.03149443379618]
アノテーションで大量の3Dオブジェクトを自動生成するコスト効率のよい手法を提案する。
これらのオブジェクトはプリミティブから派生した部分ラベルで自動アノテーションされる。
生成したデータセットに対する学習のオーバーヘッドが大きいことを考慮し,データセットの蒸留戦略を提案する。
論文 参考訳（メタデータ） (2022-05-25T10:07:07Z) - Learning Semantic Segmentation from Multiple Datasets with Label Shifts [101.24334184653355]
本論文では,ラベル空間が異なる複数のデータセットを対象としたモデルの自動学習手法であるUniSegを提案する。
具体的には,ラベルの相反と共起を考慮に入れた2つの損失を提案する。
論文 参考訳（メタデータ） (2022-02-28T18:55:19Z) - Semi-supervised Interactive Intent Labeling [6.99674326582747]
SDS開発者向けのインテントバルクラベルシステムを開発しました。
ユーザはラベルのない発話コーパスからのトレーニングデータをインタラクティブにラベル付けし、拡張することができる。
いくつかのデータセットでは,クラスタリング精度が10%以上向上している。
論文 参考訳（メタデータ） (2021-04-27T18:06:55Z) - 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) - Cross-dataset Training for Class Increasing Object Detection [52.34737978720484]
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。
論文 参考訳（メタデータ） (2020-01-14T04:40:47Z)
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。