論文の概要: Grasping Detection Network with Uncertainty Estimation for
Confidence-Driven Semi-Supervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2008.08817v1
- Date: Thu, 20 Aug 2020 07:42:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 03:24:58.295304
- Title: Grasping Detection Network with Uncertainty Estimation for
Confidence-Driven Semi-Supervised Domain Adaptation
- Title（参考訳）: 信頼駆動半監督ドメイン適応のための不確かさ推定付きグラスピング検出ネットワーク
- Authors: Haiyue Zhu, Yiting Li, Fengjun Bai, Wenjie Chen, Xiaocong Li, Jun Ma,
Chek Sing Teo, Pey Yuen Tao, and Wei Lin
- Abstract要約: 本稿では,信頼駆動型半教師付き学習を用いた新たな把握検出ネットワークを通じて,ドメイン適応が容易なアプローチを提案する。
提案した把握検出ネットワークは,特徴ピラミッドネットワーク(FPN)を利用した予測不確実性推定機構を特に提供し,平均教師半教師学習は,そのような不確実性情報を利用して,信頼度の高い非競合データに対してのみ整合性損失を強調する。
提案したネットワークは,コーネル把握データセット上で高い成功率を達成できることを示すとともに,極めて限られたデータでドメイン適応を行う場合,信頼駆動型平均教師は,元の平均教師と直接訓練を10%以上向上させる。
- 参考スコア（独自算出の注目度）: 17.16216430459064
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-efficient domain adaptation with only a few labelled data is desired for
many robotic applications, e.g., in grasping detection, the inference skill
learned from a grasping dataset is not universal enough to directly apply on
various other daily/industrial applications. This paper presents an approach
enabling the easy domain adaptation through a novel grasping detection network
with confidence-driven semi-supervised learning, where these two components
deeply interact with each other. The proposed grasping detection network
specially provides a prediction uncertainty estimation mechanism by leveraging
on Feature Pyramid Network (FPN), and the mean-teacher semi-supervised learning
utilizes such uncertainty information to emphasizing the consistency loss only
for those unlabelled data with high confidence, which we referred it as the
confidence-driven mean teacher. This approach largely prevents the student
model to learn the incorrect/harmful information from the consistency loss,
which speeds up the learning progress and improves the model accuracy. Our
results show that the proposed network can achieve high success rate on the
Cornell grasping dataset, and for domain adaptation with very limited data, the
confidence-driven mean teacher outperforms the original mean teacher and direct
training by more than 10% in evaluation loss especially for avoiding the
overfitting and model diverging.
- Abstract（参考訳）: 少数のラベル付きデータしか持たないデータ効率のよいドメイン適応は、多くのロボットアプリケーションにおいて望まれる。例えば、把握する検出において、把握データセットから得られた推論スキルは、他の様々な日常的/工業的アプリケーションに直接適用できるほど普遍的ではない。
本稿では,信頼駆動型半教師付き学習による新たな把握検出ネットワークを通じて,これらの2つのコンポーネントが相互に深く相互作用する,ドメイン適応の容易なアプローチを提案する。
提案する把持検出ネットワークは,特徴ピラミッドネットワーク(fpn)を活用した予測不確実性推定機構を特別に提供し,平均教師半教師学習は,信頼度の高い非ラベルデータに対してのみ一貫性損失を強調するために不確実性情報を利用する。
このアプローチは、学習の進捗を高速化し、モデルの精度を向上する一貫性損失から、学生が誤った/有害な情報を学習するのを防ぐ。
その結果,提案するネットワークはコーネル把持データセット上で高い成功率を達成でき,極めて限られたデータでドメイン適応を行う場合には,信頼度駆動平均教師は,評価損失の10%以上を元の平均教師よりも上回って,特に過剰フィッティングやモデルの分散を回避できることがわかった。
関連論文リスト
- Towards Robust and Interpretable EMG-based Hand Gesture Recognition using Deep Metric Meta Learning [37.21211404608413]
本稿では,意味的かつ解釈可能な表現の作成を監督するために,EMG PRにおける深層メートル法メタラーニングへのシフトを提案する。
我々は、不正確な決定をよりよく拒否する頑健なクラス近接性に基づく信頼度推定器を導出する。
論文 参考訳（メタデータ） (2024-04-17T23:37:50Z) - Leveraging Unlabeled Data for 3D Medical Image Segmentation through
Self-Supervised Contrastive Learning [3.7395287262521717]
現在の3次元半教師付きセグメンテーション法は、文脈情報の限定的考慮のような重要な課題に直面している。
両者の相違を探索し、活用するために設計された2つの個別のワークを導入し、最終的に誤った予測結果を修正した。
我々は、信頼できない予測と信頼できない予測を区別するために、自己教師付きコントラスト学習パラダイムを採用している。
論文 参考訳（メタデータ） (2023-11-21T14:03:16Z) - Uncertainty Estimation by Fisher Information-based Evidential Deep
Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。
漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。
特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文 参考訳（メタデータ） (2023-03-03T16:12:59Z) - Self-training via Metric Learning for Source-Free Domain Adaptation of Semantic Segmentation [3.1460691683829825]
教師なしのドメイン適応手法は、事前訓練されたソースドメインモデルとラベルなしのターゲットドメインデータを用いて、ターゲットドメインのモデルをトレーニングすることを目的としている。
従来の手法では、通常擬似ラベルによる自己学習が用いられており、予測信頼度に基づいてしきい値付けされることが多い。
本稿では,教師ネットワークからの全ての予測を用いて,学生ネットワークを訓練する平均教師モデルを導入することによって,新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-12-08T12:20:35Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z) - Learning from Similarity-Confidence Data [94.94650350944377]
類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。
本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
論文 参考訳（メタデータ） (2021-02-13T07:31:16Z) - Auto-weighted Robust Federated Learning with Corrupted Data Sources [7.475348174281237]
フェデレーション学習はコミュニケーション効率とプライバシ保護のトレーニングプロセスを提供する。
平均損失関数をナイーブに最小化する標準的なフェデレーション学習技術は、データの破損に弱い。
破損したデータソースに対して堅牢性を提供するために、自動重み付けロバストフェデレーテッドラーニング(arfl)を提案します。
論文 参考訳（メタデータ） (2021-01-14T21:54:55Z) - Unsupervised Domain Adaptation for Speech Recognition via Uncertainty
Driven Self-Training [55.824641135682725]
WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
論文 参考訳（メタデータ） (2020-11-26T18:51:26Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z) - Confidence-Aware Learning for Deep Neural Networks [4.9812879456945]
本稿では,新たな損失関数であるCorrectness Ranking Lossを用いたディープニューラルネットワークのトレーニング手法を提案する。
クラス確率を明示的に規則化し、信頼度に応じて順序付けされたランキングでより良い信頼度の推定を行う。
従来の深層分類器とほぼ同じ計算コストを持ち、1つの推論で信頼性のある予測を出力する。
論文 参考訳（メタデータ） (2020-07-03T02:00:35Z)
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。