論文の概要: LOOC: Localize Overlapping Objects with Count Supervision

• arxiv url: http://arxiv.org/abs/2007.01837v1
• Date: Fri, 3 Jul 2020 17:44:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 05:46:06.427155
• Title: LOOC: Localize Overlapping Objects with Count Supervision
• Title（参考訳）: LOOC: 重複するオブジェクトをカウントスーパービジョンでローカライズ
• Authors: Issam H. Laradji, Rafael Pardinas, Pau Rodriguez, David Vazquez
• Abstract要約: オーバーラップオブジェクトをカウント・インスペクタで局所化する手法であるLOOCを提案する。 最初の段階では、LOOCは擬似的なポイントレベルのアノテーションを半教師付きで生成することを学ぶ。 第2段階では、LOOCはこれらの擬似ラベルをトレーニングする完全に教師付きローカライゼーション手法を使用している。
• 参考スコア（独自算出の注目度）: 5.172455794487599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acquiring count annotations generally requires less human effort than point-level and bounding box annotations. Thus, we propose the novel problem setup of localizing objects in dense scenes under this weaker supervision. We propose LOOC, a method to Localize Overlapping Objects with Count supervision. We train LOOC by alternating between two stages. In the first stage, LOOC learns to generate pseudo point-level annotations in a semi-supervised manner. In the second stage, LOOC uses a fully-supervised localization method that trains on these pseudo labels. The localization method is used to progressively improve the quality of the pseudo labels. We conducted experiments on popular counting datasets. For localization, LOOC achieves a strong new baseline in the novel problem setup where only count supervision is available. For counting, LOOC outperforms current state-of-the-art methods that only use count as their supervision. Code is available at: https://github.com/ElementAI/looc.
• Abstract（参考訳）: カウントアノテーションの取得は通常、ポイントレベルやバウンディングボックスアノテーションよりも人的労力が少ない。 そこで本研究では,この弱監督下での密集したシーンにおける物体の局所化に関する新たな問題設定を提案する。 オーバーラップオブジェクトをカウント・インスペクタで局所化する手法であるLOOCを提案する。 LOOCを2段階の交互に訓練する。 最初の段階では、LOOCは擬似点レベルのアノテーションを半教師付きで生成することを学ぶ。 第2段階では、LOOCはこれらの擬似ラベルをトレーニングする完全に教師付きローカライゼーション手法を使用している。 ローカライゼーション法は、擬似ラベルの品質を漸進的に改善するために用いられる。 一般的な計数データセットの実験を行った。 ローカライゼーションのため、LOOCは、カウント監視しか利用できない新しい問題設定において、強力なベースラインを達成する。 カウントでは、LOOCはカウントのみを監督として使用する最先端のメソッドよりも優れています。 コードはhttps://github.com/elementai/looc。

関連論文リスト

• Multiscale Vision Transformer With Deep Clustering-Guided Refinement for Weakly Supervised Object Localization [4.300577895958228]
  この研究は、弱教師付きオブジェクトローカライゼーションの課題に対処する。 様々なスケールでパッチ埋め込みを抽出する複数のオブジェクトローカライゼーション変換器を備える。 本稿では,局所化精度をさらに高めるディープクラスタリング誘導改良法を提案する。
  論文  参考訳（メタデータ） (2023-12-15T07:46:44Z)
• Spatial-Aware Token for Weakly Supervised Object Localization [137.0570026552845]
  タスク固有の空間認識トークンを,弱教師付き方式で条件定位に提案する。 実験の結果、SATはCUB-200とImageNetの両方で、98.45%と73.13%のGT-known Locで最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2023-03-18T15:38:17Z)
• SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
  Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。 ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。 我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2022-01-12T18:57:04Z)
• Exploring Visual Context for Weakly Supervised Person Search [155.46727990750227]
  人探索は、歩行者の検出と人物の再識別を共同で扱う、困難なタスクとして最近登場した。 既存のアプローチは、バウンディングボックスとIDアノテーションの両方が利用可能な完全に教師付き設定に従っている。 本稿では,ボックスアノテーションのみを用いた弱教師付き人物検索について実験的に考察する。
  論文  参考訳（メタデータ） (2021-06-19T14:47:13Z)
• CoLA: Weakly-Supervised Temporal Action Localization with Snippet Contrastive Learning [40.65483058890177]
  弱いトリミングの時間的アクションローカライゼーションは、ビデオレベルのラベルのみを持つ教師なしビデオ内のアクションをローカライズすることを目的としている。 ここでは、単一のスニペットの不正な問題が発生する: "ハード"スニペットは分類するには曖昧すぎる。 比較による学習は,これらの難解なスニペットの識別に役立ち,コントラスト学習を行動の局所化に活用することを提案する。
  論文  参考訳（メタデータ） (2021-03-30T14:37:15Z)
• Learning from Counting: Leveraging Temporal Classification for Weakly Supervised Object Localization and Detection [4.971083368517706]
  2次元画像を1次元シーケンスデータにシリアライズするスキャンオーダー技術を導入する。 次にLSTM(Long, Short-Term Memory)とCTCネットワークを組み合わせてオブジェクトのローカライゼーションを実現する。
  論文  参考訳（メタデータ） (2021-03-06T02:18:03Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)
• Semi-Supervised Crowd Counting via Self-Training on Surrogate Tasks [50.78037828213118]
  本稿では,機能学習の観点から,半教師付き群集カウント問題に取り組む。 本稿では,2つの革新的なコンポーネント上に構築された,新しい半教師付き群集カウント手法を提案する。
  論文  参考訳（メタデータ） (2020-07-07T05:30:53Z)
• Towards Using Count-level Weak Supervision for Crowd Counting [55.58468947486247]
  本稿では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。 我々は、生成した密度マップの自由を制限するための正規化を構築するために、単純なyet効果のトレーニング戦略、すなわちMultiple Auxiliary Tasks Training (MATT)を考案した。
  論文  参考訳（メタデータ） (2020-02-29T02:58:36Z)

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。