論文の概要: Boosting Weakly Supervised Object Detection with Progressive Knowledge Transfer

• arxiv url: http://arxiv.org/abs/2007.07986v1
• Date: Wed, 15 Jul 2020 20:38:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 05:19:49.789775
• Title: Boosting Weakly Supervised Object Detection with Progressive Knowledge Transfer
• Title（参考訳）: プログレッシブ・ナレッジ・トランスファーによる弱教師付き物体検出の促進
• Authors: Yuanyi Zhong, Jianfeng Wang, Jian Peng, Lei Zhang
• Abstract要約: 弱教師付き物体検出精度を高めるための効果的な知識伝達フレームワークを提案する。 情報源領域からの知識を一級普遍検出器で反復的に伝達し,対象領域検出器を学習する。 我々は、VOCテストセットで59.7%のmAPと、完全に教師されたFaster RCNNを再トレーニングした後で60.2%のmAPを達成した。
• 参考スコア（独自算出の注目度）: 40.23657486941391
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose an effective knowledge transfer framework to boost the weakly supervised object detection accuracy with the help of an external fully-annotated source dataset, whose categories may not overlap with the target domain. This setting is of great practical value due to the existence of many off-the-shelf detection datasets. To more effectively utilize the source dataset, we propose to iteratively transfer the knowledge from the source domain by a one-class universal detector and learn the target-domain detector. The box-level pseudo ground truths mined by the target-domain detector in each iteration effectively improve the one-class universal detector. Therefore, the knowledge in the source dataset is more thoroughly exploited and leveraged. Extensive experiments are conducted with Pascal VOC 2007 as the target weakly-annotated dataset and COCO/ImageNet as the source fully-annotated dataset. With the proposed solution, we achieved an mAP of $59.7\%$ detection performance on the VOC test set and an mAP of $60.2\%$ after retraining a fully supervised Faster RCNN with the mined pseudo ground truths. This is significantly better than any previously known results in related literature and sets a new state-of-the-art of weakly supervised object detection under the knowledge transfer setting. Code: \url{https://github.com/mikuhatsune/wsod_transfer}.
• Abstract（参考訳）: 本稿では,カテゴリが対象ドメインと重複しない外部の完全注釈付きソースデータセットの助けを借りて,弱教師付きオブジェクト検出精度を高めるための効果的な知識伝達フレームワークを提案する。 この設定は、多くのオフセット検出データセットが存在するため、非常に実用的です。 ソースデータセットをより効果的に利用するために,情報源領域から知識を1クラスユニバーサル検出器で反復的に転送し,対象領域検出器を学習する。 各イテレーションでターゲットドメイン検出器によって検出されたボックスレベルの擬似基底真理は、一級ユニバーサル検出器を効果的に改善する。 したがって、ソースデータセットの知識はより徹底的に活用され、活用される。 pascal voc 2007 を対象とする弱アノテートデータセットとして,coco/imagenet を完全アノテートデータセットとして広範な実験を行った。 提案手法を用いて,VOCテストセットで59.7\%のmAPと60.2\%のmAPのmAPを,完全教師付きFaster RCNNをマイニングされた擬似基底真理で再訓練した後,達成した。 これは、これまでのどの文献よりもはるかに優れており、知識伝達設定の下で弱教師付き物体検出の最先端を新たに設定する。 コード: \url{https://github.com/mikuhatsune/wsod_transfer}。

関連論文リスト

• 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)
• Domain Adaptable Self-supervised Representation Learning on Remote Sensing Satellite Imagery [2.796274924103132]
  本研究は,リモートセンシング衛星データを用いたコントラスト型自己教師型表現学習と知識伝達のための新しい領域パラダイムを提案する。 提案手法は,異なるソースおよび対象データ分布にまたがる自己教師付き表現の知識伝達について検討する。 UC Merced Landuse (UCMD)、SIRI-WHU、MLRSNetの3つの公開データセットで実験が行われた。
  論文  参考訳（メタデータ） (2023-04-19T14:32:36Z)
• Target-Relevant Knowledge Preservation for Multi-Source Domain Adaptive Object Detection [47.705590047138685]
  ドメイン適応オブジェクト検出(DAOD)は、新しいシーンでの検出器の性能低下を軽減するための有望な方法である。 本稿では,教師なしマルチソースDに対して,ターゲット関連知識保存(TRKP)という新たなアプローチを提案する。 TRKPは、マルチヘッドの教師ネットワークを構築し、ラベル付きソースドメインから知識を抽出する。 教師ネットワークは、対象領域におけるオブジェクト検出を指導する際のドメインシフトを減少させるため、目標関連知識を捕捉するために強制される。
  論文  参考訳（メタデータ） (2022-04-17T09:50:48Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
  オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。 今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。 本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T10:45:51Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。