論文の概要: SuPEr-SAM: Using the Supervision Signal from a Pose Estimator to Train a Spatial Attention Module for Personal Protective Equipment Recognition

• arxiv url: http://arxiv.org/abs/2009.12339v2
• Date: Mon, 2 Nov 2020 12:59:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 23:06:45.471921
• Title: SuPEr-SAM: Using the Supervision Signal from a Pose Estimator to Train a Spatial Attention Module for Personal Protective Equipment Recognition
• Title（参考訳）: SuPEr-SAM:個人防護機器認識のための空間アテンションモジュールの訓練のためのPose Estimatorからのスーパービジョン信号の利用
• Authors: Adrian Sandru, Georgian-Emilian Duta, Mariana-Iuliana Georgescu, Radu Tudor Ionescu
• Abstract要約: 本稿では,人物検知器,身体ポーズ推定器,分類器の3つの要素を用いた,新しい高精度なアプローチを提案する。 我々は、ポーズ推定器の監視信号を用いて訓練された空間的注意機構を付加することにより、分類器のニューラルアーキテクチャを変更する。
• 参考スコア（独自算出の注目度）: 20.43486825971688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a deep learning method to automatically detect personal protective equipment (PPE), such as helmets, surgical masks, reflective vests, boots and so on, in images of people. Typical approaches for PPE detection based on deep learning are (i) to train an object detector for items such as those listed above or (ii) to train a person detector and a classifier that takes the bounding boxes predicted by the detector and discriminates between people wearing and people not wearing the corresponding PPE items. We propose a novel and accurate approach that uses three components: a person detector, a body pose estimator and a classifier. Our novelty consists in using the pose estimator only at training time, to improve the prediction performance of the classifier. We modify the neural architecture of the classifier by adding a spatial attention mechanism, which is trained using supervision signal from the pose estimator. In this way, the classifier learns to focus on PPE items, using knowledge from the pose estimator with almost no computational overhead during inference.
• Abstract（参考訳）: 本研究では, ヘルメット, 手術用マスク, 反射ベスト, ブーツなどの個人用防護具(PPE)を画像から自動的に検出する深層学習手法を提案する。 ディープラーニングに基づくPPE検出の典型的なアプローチ (i)上記のような項目について物体探知機を訓練すること、又は (ii)検知器と、検知器が予測する境界ボックスを取り、着用者と対応するppeアイテムを着用していない者とを判別する分類器を訓練する。 本稿では,人物検知器,身体ポーズ推定器,分類器の3つの要素を用いた新しい高精度なアプローチを提案する。 我々の新規性は、訓練時にのみポーズ推定器を使用し、分類器の予測性能を向上させることである。 我々は、ポーズ推定器の監視信号を用いて訓練された空間的注意機構を付加することにより、分類器のニューラルアーキテクチャを変更する。 このようにして、分類器は、推論中にほとんど計算オーバーヘッドのないポーズ推定器からの知識を用いて、PEアイテムにフォーカスすることを学ぶ。

関連論文リスト

• Aligned Unsupervised Pretraining of Object Detectors with Self-training [41.03780087924593]
  物体検出器の教師なし事前訓練は、近年、物体検出器訓練の重要な要素となっている。 本稿では、この問題を緩和し、3つの単純かつ重要な要素からなるフレームワークを提案する。 当社の戦略は,スクラッチ(背骨を含む)からの事前トレーニングも可能であり,COCOのような複雑な画像にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-28T17:46:00Z)
• Preventing Errors in Person Detection: A Part-Based Self-Monitoring Framework [7.6849475214826315]
  本稿では,認識システムが実行時に可視性チェックを行うことができる自己監視フレームワークを提案する。 人体部分検出のための追加の部品を組み込むことで、見逃した人体検出の回数を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2023-07-10T12:59:30Z)
• Cut and Learn for Unsupervised Object Detection and Instance Segmentation [65.43627672225624]
  Cut-and-LeaRn(CutLER)は、教師なしオブジェクトの検出とセグメンテーションモデルをトレーニングするためのシンプルなアプローチである。 CutLERはゼロショット非監視検出器であり、11のベンチマークでAP50を2.7倍以上改善している。
  論文  参考訳（メタデータ） (2023-01-26T18:57:13Z)
• Label-Efficient Object Detection via Region Proposal Network Pre-Training [58.50615557874024]
  地域提案ネットワーク(RPN)に効果的な事前学習を提供するための簡単な事前学習タスクを提案する。 RPN事前学習のないマルチステージ検出器と比較して,本手法はダウンストリームタスク性能を継続的に改善することができる。
  論文  参考訳（メタデータ） (2022-11-16T16:28:18Z)
• PARTICUL: Part Identification with Confidence measure using Unsupervised Learning [0.0]
  PartICULは、きめ細かい認識に使われるデータセットから部分検出器を教師なしで学習するための新しいアルゴリズムである。 トレーニングセット内のすべての画像のマクロ類似性を利用して、事前訓練された畳み込みニューラルネットワークの特徴空間における繰り返しパターンをマイニングする。 我々の検出器は、その予測に対する信頼度を測りながら、物体の一部を一貫して強調することができることを示す。
  論文  参考訳（メタデータ） (2022-06-27T13:44:49Z)
• Debiasing Learning for Membership Inference Attacks Against Recommender Systems [79.48353547307887]
  学習されたレコメンデータシステムは、トレーニングデータに関する情報を不注意に漏洩させ、プライバシー侵害につながる可能性がある。 我々は,推薦者システムによるプライバシー上の脅威を,会員推定のレンズを通して調査する。 本稿では,4つの主要コンポーネントを持つリコメンダシステム(DL-MIA)フレームワークに対する,メンバシップ推論攻撃に対するバイアス学習を提案する。
  論文  参考訳（メタデータ） (2022-06-24T17:57:34Z)
• OSSID: Online Self-Supervised Instance Detection by (and for) Pose Estimation [17.78557307620686]
  多くのロボット操作アルゴリズムにはリアルタイムなオブジェクトポーズ推定が必要である。 高速検出アルゴリズムの訓練を自己監督するために、スローゼロショットポーズ推定器を利用するOSSIDフレームワークを提案する。 この自己教師型トレーニングは,既存のゼロショット検出手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-18T20:55:56Z)
• Aligning Pretraining for Detection via Object-Level Contrastive Learning [57.845286545603415]
  画像レベルのコントラスト表現学習は、伝達学習の汎用モデルとして非常に有効であることが証明されている。 我々は、これは準最適である可能性があり、従って、自己教師付きプレテキストタスクと下流タスクのアライメントを促進する設計原則を提唱する。 Selective Object Contrastive Learning (SoCo) と呼ばれる本手法は,COCO検出における伝達性能の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-04T17:59:52Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• DAP: Detection-Aware Pre-training with Weak Supervision [37.336674323981285]
  本稿では,オブジェクト検出タスクに対する検出認識事前学習(DAP)アプローチを提案する。 分類データセットをクラスアクティベーションマップに基づく弱教師付きオブジェクトローカライズ手法により検出データセットに変換する。 VOCやCOCOなどの下流検出タスクにおいて,サンプル効率と収束速度の両面で,DAPが従来の事前学習よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-30T19:48:30Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)

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。