論文の概要: Co-training for On-board Deep Object Detection

• arxiv url: http://arxiv.org/abs/2008.05534v1
• Date: Wed, 12 Aug 2020 19:08:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 05:41:39.585538
• Title: Co-training for On-board Deep Object Detection
• Title（参考訳）: 船上深部物体検出のための協調学習
• Authors: Gabriel Villalonga and Antonio M. Lopez
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Providing ground truth supervision to train visual models has been a bottleneck over the years, exacerbated by domain shifts which degenerate the performance of such models. This was the case when visual tasks relied on handcrafted features and shallow machine learning and, despite its unprecedented performance gains, the problem remains open within the deep learning paradigm due to its data-hungry nature. Best performing deep vision-based object detectors are trained in a supervised manner by relying on human-labeled bounding boxes which localize class instances (i.e.objects) within the training images.Thus, object detection is one of such tasks for which human labeling is a major bottleneck. In this paper, we assess co-training as a semi-supervised learning method for self-labeling objects in unlabeled images, so reducing the human-labeling effort for developing deep object detectors. Our study pays special attention to a scenario involving domain shift; in particular, when we have automatically generated virtual-world images with object bounding boxes and we have real-world images which are unlabeled. Moreover, we are particularly interested in using co-training for deep object detection in the context of driver assistance systems and/or self-driving vehicles. Thus, using well-established datasets and protocols for object detection in these application contexts, we will show how co-training is a paradigm worth to pursue for alleviating object labeling, working both alone and together with task-agnostic domain adaptation.
• Abstract（参考訳）: 視覚モデルのトレーニングに基礎的真理の監督を提供することは、長年のボトルネックであり、そのようなモデルのパフォーマンスを低下させるドメインシフトによって悪化している。 これは、視覚タスクが手作りの機能と浅い機械学習に依存していた場合であり、前例のないパフォーマンス向上にもかかわらず、そのデータに飢えた性質のため、ディープラーニングパラダイム内で問題が発生し続けている。 ディープビジョンベースのオブジェクト検出器は、トレーニングイメージ内のクラスインスタンス(すなわちオブジェクト)をローカライズするヒューマンラベルのバウンディングボックスに依存することによって、教師ありの方法でトレーニングされる。 本稿では,非ラベル画像における自己ラベル付き物体の半教師付き学習方法としての協調学習を評価し,深層物体検出装置の開発における人間ラベルの労力を削減する。 特に,オブジェクト境界ボックスを持つ仮想空間イメージが自動生成され,ラベル付けされていない実空間イメージが存在する場合,ドメインシフトを伴うシナリオに特に注目する。 さらに、運転支援システムや自動運転車の文脈において、深部物体検出のためのコトレーニングの利用にも特に関心がある。 したがって、これらのアプリケーションコンテキストにおけるオブジェクト検出のための確立されたデータセットとプロトコルを使用することで、協調訓練がオブジェクトラベリングを緩和するためのパラダイムであることを示す。

関連論文リスト

• PEEKABOO: Hiding parts of an image for unsupervised object localization [7.161489957025654]
  教師なしの方法でオブジェクトをローカライズすることは、重要な視覚情報がないために大きな課題となる。 教師なしオブジェクトローカライゼーションのための単段階学習フレームワークPEEKABOOを提案する。 キーとなるアイデアは、画像の一部を選択的に隠し、残りの画像情報を活用して、明示的な監督なしにオブジェクトの位置を推測することである。
  論文  参考訳（メタデータ） (2024-07-24T20:35:20Z)
• 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)
• Self-Supervised Pretraining on Satellite Imagery: a Case Study on Label-Efficient Vehicle Detection [0.0]
  超高解像度光衛星画像における物体検出のためのドメイン内自己教師型表現学習について検討する。 我々は、世界地図の大規模な土地利用分類データセットを用いて、Momentum Contrastフレームワークの拡張による表現の事前訓練を行う。 次に,Preligensプロプライエタリなデータに基づいて,車両の詳細な検出と分類を行う実世界のタスクにおいて,このモデルが持つ伝達可能性について検討する。
  論文  参考訳（メタデータ） (2022-10-21T08:41:22Z)
• Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
  近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
  論文  参考訳（メタデータ） (2021-05-27T23:34:06Z)
• 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)
• Self-supervised Segmentation via Background Inpainting [96.10971980098196]
  移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。 我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。 本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-11T08:34:40Z)
• Improving Object Detection with Selective Self-supervised Self-training [62.792445237541145]
  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。
  論文  参考訳（メタデータ） (2020-07-17T18:05:01Z)
• A Deep Learning Approach to Object Affordance Segmentation [31.221897360610114]
  我々は,ビデオと静的画像の両方において,画素単位の価格ラベルを推定するオートエンコーダを設計する。 本モデルは,ソフトアテンション機構を用いて,オブジェクトラベルやバウンディングボックスの必要性を克服する。 本モデルは,SOR3D-AFF上での強い教師付き手法と比較して,競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-04-18T15:34:41Z)

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。