論文の概要: A Comparative Study on Effects of Original and Pseudo Labels for Weakly Supervised Learning for Car Localization Problem

• arxiv url: http://arxiv.org/abs/2010.03815v1
• Date: Thu, 8 Oct 2020 07:41:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 11:13:42.648411
• Title: A Comparative Study on Effects of Original and Pseudo Labels for Weakly Supervised Learning for Car Localization Problem
• Title（参考訳）: 自動車ローカライズ問題の弱教師付き学習におけるオリジナルラベルと擬似ラベルの効果の比較研究
• Authors: Cenk Bircanoglu
• Abstract要約: 本稿では,カーデータセット上に提示されたWeakly Supervised Learningを用いて,複数の概念的意味の結果として作成された異なるクラスラベルが,ローカライズに与える影響について述べる。 実験では、まず、Weakly Supervised LocalizationにおけるクラスラベルがCompcarsデータセットに与える影響を解析した。 次に、提案手法は、この特定のデータセットにおけるWeakly Supervised法を約6パーセント上回っていることを示す。
• 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: In this study, the effects of different class labels created as a result of multiple conceptual meanings on localization using Weakly Supervised Learning presented on Car Dataset. In addition, the generated labels are included in the comparison, and the solution turned into Unsupervised Learning. This paper investigates multiple setups for car localization in the images with other approaches rather than Supervised Learning. To predict localization labels, Class Activation Mapping (CAM) is implemented and from the results, the bounding boxes are extracted by using morphological edge detection. Besides the original class labels, generated class labels also employed to train CAM on which turn to a solution to Unsupervised Learning example. In the experiments, we first analyze the effects of class labels in Weakly Supervised localization on the Compcars dataset. We then show that the proposed Unsupervised approach outperforms the Weakly Supervised method in this particular dataset by approximately %6.
• Abstract（参考訳）: 本研究では,カーデータセット上で提示される弱教師付き学習を用いて,複数の概念的意味の結果として作成した異なるクラスラベルの効果について検討した。 さらに、生成されたラベルを比較対象に含め、ソリューションを教師なし学習に変換する。 本稿では,イメージ内のカーローカライズのための複数のセットアップを,教師付き学習ではなく,他のアプローチで検討する。 ローカライゼーションラベルを予測するために,クラス活性化マッピング(CAM)を実装し,その結果から形態的エッジ検出を用いて境界ボックスを抽出する。 オリジナルのクラスラベルに加えて、生成されたクラスラベルもCAMのトレーニングに使われており、教師なし学習の例に対する解決策となった。 実験では、まず、Weakly Supervised LocalizationにおけるクラスラベルがCompcarsデータセットに与える影響を分析する。 次に、提案手法は、この特定のデータセットにおけるWeakly Supervised法を約6パーセント上回っていることを示す。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Pseudo-label Refinement for Improving Self-Supervised Learning Systems [22.276126184466207]
  自己教師付き学習システムは、人間のアノテーションを必要とせずに、クラスタリングベースの擬似ラベルを使用して監督する。 クラスタリング手法によって生じるこれらの擬似ラベルのノイズは、学習プロセスに難題となり、性能が劣化する。 本稿では,この問題に対処する擬似ラベル改良アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-18T07:47:59Z)
• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Cold PAWS: Unsupervised class discovery and addressing the cold-start problem for semi-supervised learning [0.30458514384586394]
  本稿では, 自己教師付き学習, クラスタリング, 多様体学習技術に基づく新しい手法を提案する。 我々は、CIFAR10、Imagenette、DeepWeeds、EuroSATなどの公開データセットを使って、我々のアプローチをテストする。 文献における他の手法と比較して,より単純なアプローチで検討したデータセットに対して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-05-17T09:17:59Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• Ensemble Learning with Manifold-Based Data Splitting for Noisy Label Correction [20.401661156102897]
  トレーニングデータのノイズラベルは モデルの一般化性能を著しく低下させる 特徴多様体の局所構造を利用して雑音ラベルを補正するアンサンブル学習法を提案する。 実世界の雑音ラベルデータセットに関する実験では,提案手法が既存手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-03-13T07:24:58Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)

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。