論文の概要: Interpolation-based semi-supervised learning for object detection

• arxiv url: http://arxiv.org/abs/2006.02158v2
• Date: Tue, 29 Dec 2020 22:41:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 18:13:00.102767
• Title: Interpolation-based semi-supervised learning for object detection
• Title（参考訳）: 補間型半教師付き学習による物体検出
• Authors: Jisoo Jeong, Vikas Verma, Minsung Hyun, Juho Kannala, Nojun Kwak
• Abstract要約: オブジェクト検出のための補間に基づく半教師付き学習手法を提案する。 提案した損失は、半教師付き学習と教師付き学習の性能を劇的に向上させる。
• 参考スコア（独自算出の注目度）: 44.37685664440632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the data labeling cost for the object detection tasks being substantially more than that of the classification tasks, semi-supervised learning methods for object detection have not been studied much. In this paper, we propose an Interpolation-based Semi-supervised learning method for object Detection (ISD), which considers and solves the problems caused by applying conventional Interpolation Regularization (IR) directly to object detection. We divide the output of the model into two types according to the objectness scores of both original patches that are mixed in IR. Then, we apply a separate loss suitable for each type in an unsupervised manner. The proposed losses dramatically improve the performance of semi-supervised learning as well as supervised learning. In the supervised learning setting, our method improves the baseline methods by a significant margin. In the semi-supervised learning setting, our algorithm improves the performance on a benchmark dataset (PASCAL VOC and MSCOCO) in a benchmark architecture (SSD).
• Abstract（参考訳）: 対象検出タスクのデータラベリングコストは分類タスクよりも大幅に大きいにもかかわらず、対象検出のための半教師付き学習手法はあまり研究されていない。 本稿では,従来の補間正規化(ir)を物体検出に直接適用することで生じる問題を考慮し,解決する補間型半教師付き物体検出学習法(isd)を提案する。 我々は、IRで混合された両方のオリジナルパッチのオブジェクト性スコアに基づいて、モデルの出力を2つのタイプに分割する。 次に、教師なしの方法で各型に適した別個の損失を適用する。 提案する損失は,半教師付き学習と教師付き学習のパフォーマンスを劇的に向上させる。 教師付き学習環境において,本手法はベースライン手法を大幅に改善する。 半教師あり学習環境において,本アルゴリズムはベンチマークアーキテクチャ(ssd)におけるベンチマークデータセット(pascal vocとmscoco)の性能を向上させる。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• DcnnGrasp: Towards Accurate Grasp Pattern Recognition with Adaptive Regularizer Learning [13.08779945306727]
  現在の最先端手法は、パターン認識に不可欠なオブジェクトのカテゴリ情報を無視している。 本稿では,物体分類と把握パターン認識の連成学習を実現するために,二分岐畳み込みニューラルネットワーク(DcnnGrasp)を提案する。
  論文  参考訳（メタデータ） (2022-05-11T00:34:27Z)
• Object Class Aware Video Anomaly Detection through Image Translation [1.2944868613449219]
  本稿では、画像翻訳タスクを通して正常な外見と動きパターンを学習する2ストリームオブジェクト認識型VAD手法を提案する。 その結果,従来の手法の大幅な改善により,本手法による検出は完全に説明可能となり,異常はフレーム内で正確に局所化されることがわかった。
  論文  参考訳（メタデータ） (2022-05-03T18:04:27Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Semi-supervised Domain Adaptation for Semantic Segmentation [3.946367634483361]
  セマンティックセグメンテーションにおけるクロスドメインとイントラドメインのギャップに対処する2段階の半教師付き二重ドメイン適応(SSDDA)手法を提案する。 提案手法は,2つの共通合成-実合成セマンティックセグメンテーションベンチマークにおいて,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-20T16:13:00Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• Proposal Learning for Semi-Supervised Object Detection [76.83284279733722]
  地上の真理ラベルが利用できないため、ラベルのないデータで物体検出器を訓練するのは簡単ではない。 ラベル付きデータとラベルなしデータの両方から提案特徴と予測を学習するための提案学習手法を提案する。
  論文  参考訳（メタデータ） (2020-01-15T00:06:59Z)

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。