論文の概要: Improving Object Detection with Selective Self-supervised Self-training
- arxiv url: http://arxiv.org/abs/2007.09162v2
- Date: Fri, 24 Jul 2020 19:34:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 14:25:07.474433
- Title: Improving Object Detection with Selective Self-supervised Self-training
- Title（参考訳）: 自己指導型自己学習による物体検出の改善
- Authors: Yandong Li, Di Huang, Danfeng Qin, Liqiang Wang, Boqing Gong
- Abstract要約: 本研究では,Web画像を利用した人為的対象検出データセットの強化について検討する。
画像と画像の検索によりWebイメージを検索し、他の検索手法に比べて、キュレートされたデータからのドメインシフトが少なくなる。
画像分類のためのラベルのないデータを探索する2つの並列処理をモチベーションとした新しい学習手法を提案する。
- 参考スコア（独自算出の注目度）: 62.792445237541145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study how to leverage Web images to augment human-curated object detection
datasets. Our approach is two-pronged. On the one hand, we retrieve Web images
by image-to-image search, which incurs less domain shift from the curated data
than other search methods. The Web images are diverse, supplying a wide variety
of object poses, appearances, their interactions with the context, etc. On the
other hand, we propose a novel learning method motivated by two parallel lines
of work that explore unlabeled data for image classification: self-training and
self-supervised learning. They fail to improve object detectors in their
vanilla forms due to the domain gap between the Web images and curated
datasets. To tackle this challenge, we propose a selective net to rectify the
supervision signals in Web images. It not only identifies positive bounding
boxes but also creates a safe zone for mining hard negative boxes. We report
state-of-the-art results on detecting backpacks and chairs from everyday
scenes, along with other challenging object classes.
- Abstract（参考訳）: 本研究では, web 画像を利用した物体検出データセットの強化について検討する。
私たちのアプローチは二段階です。
一方,画像間検索によるWeb画像の検索では,他の検索手法に比べて,キュレートされたデータからのドメインシフトが少ない。
Webイメージは多様なもので、さまざまなオブジェクトのポーズ、外観、コンテキストとのインタラクションなどを提供します。
一方,画像分類のためのラベルのないデータ(自己学習と自己教師型学習)を探索する2つの並列的な作業によって動機付けられた新しい学習手法を提案する。
Webイメージとキュレートされたデータセット間のドメインギャップのため、バニラ形式のオブジェクト検出器の改善には失敗している。
この課題に対処するため,Web画像の監視信号を修正するための選択ネットを提案する。
ポジティブなバウンディングボックスを識別するだけでなく、ハードネガティブなボックスをマイニングするための安全なゾーンも生成する。
日常のシーンからバックパックや椅子を検知し,他の難易度の高いオブジェクトクラスも検出した。
関連論文リスト
- Data Augmentation for Object Detection via Differentiable Neural
Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。
この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。
オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文 参考訳（メタデータ） (2021-03-04T06:31:06Z) - A Simple and Effective Use of Object-Centric Images for Long-Tailed
Object Detection [56.82077636126353]
シーン中心画像における物体検出を改善するために,物体中心画像を活用する。
私たちは、シンプルで驚くほど効果的なフレームワークを提示します。
我々の手法は、レアオブジェクトのオブジェクト検出(およびインスタンスセグメンテーション)の精度を相対的に50%(および33%)向上させることができる。
論文 参考訳（メタデータ） (2021-02-17T17:27:21Z) - Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。
境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。
実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
論文 参考訳（メタデータ） (2021-02-16T17:58:57Z) - Improved Handling of Motion Blur in Online Object Detection [0.0]
我々は、感情誘発ぼかしの詳細に焦点を当てた。
鮮明な画像とぼやけた画像のパフォーマンスのギャップを、それぞれ異なる潜在的な原因をターゲットとする5つの治療法のクラスを探索する。
他の4つの治療法は、マルチスケールなテクスチャ、アウト・オブ・ディストリビューション・テスト、ラベル生成、曖昧な型による条件付けに対処する。
論文 参考訳（メタデータ） (2020-11-29T21:58:26Z) - Co-training for On-board Deep Object Detection [0.0]
人間のラベル付きバウンディングボックスを頼りにすることにより、最高のディープビジョンベースのオブジェクト検出器を教師付きで訓練する。
共同学習は、未ラベル画像における自己ラベルオブジェクトの半教師付き学習手法である。
我々は、協調学習がオブジェクトのラベル付けを緩和し、タスクに依存しないドメイン適応と単独で作業するためのパラダイムであることを示す。
論文 参考訳（メタデータ） (2020-08-12T19:08:59Z) - Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。
オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。
提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
論文 参考訳（メタデータ） (2020-07-03T21:53:46Z) - Exploring Bottom-up and Top-down Cues with Attentive Learning for Webly
Supervised Object Detection [76.9756607002489]
本稿では,新しいクラスを対象としたWebSOD法を提案する。
提案手法はボトムアップとトップダウンを組み合わせた新しいクラス検出手法である。
提案手法は,3種類の新規/ベース分割を持つPASCAL VOCデータセット上で実証した。
論文 参考訳（メタデータ） (2020-03-22T03:11:24Z)
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。