論文の概要: Ground-truth or DAER: Selective Re-query of Secondary Information
- arxiv url: http://arxiv.org/abs/2009.07414v3
- Date: Fri, 3 Sep 2021 00:56:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 00:12:48.695321
- Title: Ground-truth or DAER: Selective Re-query of Secondary Information
- Title（参考訳）: グランド・トゥルースまたはDAER:セカンダリ情報の選択的再クエリ
- Authors: Stephan J. Lemmer and Jason J. Corso
- Abstract要約: 多くの視覚タスクは、コンピュータービジョンモデルが問題を解決するのを助けるために、推論時に二次情報(シード)を使用する。
そこで本研究では,期待された性能劣化に基づいて,種子を拒絶するか否かを判定する種拒絶問題を提案する。
本手法は, 高い基準値に対して, 目標性能を23%以上向上させるために必要な種数を削減することができることを示す。
- 参考スコア（独自算出の注目度）: 37.21776636843253
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many vision tasks use secondary information at inference time -- a seed -- to
assist a computer vision model in solving a problem. For example, an initial
bounding box is needed to initialize visual object tracking. To date, all such
work makes the assumption that the seed is a good one. However, in practice,
from crowdsourcing to noisy automated seeds, this is often not the case. We
hence propose the problem of seed rejection -- determining whether to reject a
seed based on the expected performance degradation when it is provided in place
of a gold-standard seed. We provide a formal definition to this problem, and
focus on two meaningful subgoals: understanding causes of error and
understanding the model's response to noisy seeds conditioned on the primary
input. With these goals in mind, we propose a novel training method and
evaluation metrics for the seed rejection problem. We then use seeded versions
of the viewpoint estimation and fine-grained classification tasks to evaluate
these contributions. In these experiments, we show our method can reduce the
number of seeds that need to be reviewed for a target performance by over 23%
compared to strong baselines.
- Abstract（参考訳）: 多くのビジョンタスクは、コンピュータビジョンモデルが問題を解決するのを助けるために、推論時に二次情報 -- シード -- を使用する。
例えば、ビジュアルオブジェクト追跡の初期化には、初期バウンディングボックスが必要である。
これまでのところ、このような作業はすべて、シードが良いものであると仮定している。
しかし、実際にはクラウドソーシングから騒がしい自動種子まで、そうではないことが多い。
そこで本研究では,金本位種に代えて提供した場合に期待される性能低下に基づいて種子を拒絶するかどうかを判定する,種子拒絶の問題を提案する。
我々は,この問題に対する形式的な定義を提供し,誤りの原因の理解と,一次入力を条件とした騒音種子に対するモデル応答の理解という,二つの意味のあるサブゴールに焦点を当てた。
これらの目標を念頭に置いて,種子拒絶問題に対する新しい訓練方法と評価指標を提案する。
次に、視点推定のシードバージョンと、これらの貢献を評価するための細かな分類タスクを使用します。
これらの実験において,本手法は,高い基準値と比較して,目標性能を評価すべき種子数を23%以上削減できることを示した。
関連論文リスト
- Double-Bounded Optimal Transport for Advanced Clustering and
Classification [58.237576976486544]
本稿では,2つの境界内での目標分布の制限を前提としたDB-OT(Douubly bounded Optimal Transport)を提案する。
提案手法は,テスト段階における改良された推論方式により,良好な結果が得られることを示す。
論文 参考訳（メタデータ） (2024-01-21T07:43:01Z) - Unsupervised Pre-Training for 3D Leaf Instance Segmentation [34.122575664767915]
本稿では,3次元点雲上でのリーフインスタンスセグメンテーションの実行に必要なラベル付けの労力を削減する問題に対処する。
本稿では,ネットワークのバックボーンを初期化するための,自己教師型タスク固有の事前学習手法を提案する。
また,茎近傍の点を正確に区分けすることの難しさを考慮した新しい自動後処理も導入した。
論文 参考訳（メタデータ） (2024-01-16T08:11:08Z) - Automatic counting of mounds on UAV images: combining instance
segmentation and patch-level correction [15.912811733537668]
無人航空機(UAV)イメージングとコンピュータビジョンの進歩を生かした新しい枠組みを提案する。
我々は,深層学習アルゴリズムに基づく画像認識手法を用いて,画素ベースセグメンテーションによる複数物体検出を行う。
局所的ブロック特性に基づいて最終マウンド数を予測する機械学習推定関数を用いる。
論文 参考訳（メタデータ） (2022-09-06T16:02:38Z) - Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit
Neural Representation [79.60988242843437]
そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。
実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
論文 参考訳（メタデータ） (2022-04-18T07:18:25Z) - Automated Seed Quality Testing System using GAN & Active Learning [2.8978926857710263]
私たちは、トップビューとボトムビューの両方をキャプチャする、新しいシード画像取得セットアップを構築します。
我々は、種子サンプルの物理的純度をテストするために、最大91.6%のアキュラシーを得ることができる。
論文 参考訳（メタデータ） (2021-10-02T10:28:25Z) - An Efficient Method for the Classification of Croplands in Scarce-Label
Regions [0.0]
衛星時系列画像による農地分類の主な課題は、地表面データ不足と、未開発地域における高品質のハイパースペクトル画像の到達不能である。
ラベルなしの中解像度衛星画像は豊富だが、その恩恵を受けるにはオープンな問題だ。
自監督タスクを用いた作物分類におけるその可能性の活用方法を示す。
論文 参考訳（メタデータ） (2021-03-17T12:10:11Z) - Seed Phenotyping on Neural Networks using Domain Randomization and
Transfer Learning [0.0]
種子表現型は、種子の形態的特性を分析して、その挙動を発達、耐性、収量の観点から予測する考え方である。
研究の焦点は、最先端のオブジェクト検出およびローカリゼーションネットワークの適用および実現可能性分析である。
論文 参考訳（メタデータ） (2020-12-24T14:04:28Z) - Completely Self-Supervised Crowd Counting via Distribution Matching [92.09218454377395]
我々は,密集した群集数に対するトレーニングモデルに対する完全な自己超越的アプローチを提案する。
トレーニングに必要な入力は、大量の未ラベルの群衆画像以外は、群衆数に近似した上限である。
提案手法は,自然群集が逆伝播の誤り信号を生成するために利用可能な電力法分布に従うという考え方に富む。
論文 参考訳（メタデータ） (2020-09-14T13:20:12Z) - 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) - CASE: Context-Aware Semantic Expansion [68.30244980290742]
本稿では,CASE(Context-Aware Semantic Expansion)と呼ばれる新しいタスクを定義し,検討する。
セマンティックな文脈でシード項が与えられた場合、その文脈に適した他の用語をシードとして提案することを目指している。
このタスクのアノテーションは,既存のコーパスから完全に自動で,大規模に抽出可能であることを示す。
論文 参考訳（メタデータ） (2019-12-31T06:38:57Z)
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。