論文の概要: Co-mining: Self-Supervised Learning for Sparsely Annotated Object Detection

• arxiv url: http://arxiv.org/abs/2012.01950v1
• Date: Thu, 3 Dec 2020 14:23:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 14:54:25.360506
• Title: Co-mining: Self-Supervised Learning for Sparsely Annotated Object Detection
• Title（参考訳）: co-mining:sparsely annotated object detectionのための自己教師付き学習
• Authors: Tiancai Wang, Tong Yang, Jiale Cao, Xiangyu Zhang
• Abstract要約: 我々は,簡潔な注釈付き物体検出のためのシンプルだが効果的な機構であるCo-miningを提案する。 共同マイニングでは、シームズネットワークの2つのブランチが互いに擬似ラベルセットを予測します。 実験は3つの異なるアノテートされた設定でMSデータセット上で行われる。
• 参考スコア（独自算出の注目度）: 29.683119976550007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detectors usually achieve promising results with the supervision of complete instance annotations. However, their performance is far from satisfactory with sparse instance annotations. Most existing methods for sparsely annotated object detection either re-weight the loss of hard negative samples or convert the unlabeled instances into ignored regions to reduce the interference of false negatives. We argue that these strategies are insufficient since they can at most alleviate the negative effect caused by missing annotations. In this paper, we propose a simple but effective mechanism, called Co-mining, for sparsely annotated object detection. In our Co-mining, two branches of a Siamese network predict the pseudo-label sets for each other. To enhance multi-view learning and better mine unlabeled instances, the original image and corresponding augmented image are used as the inputs of two branches of the Siamese network, respectively. Co-mining can serve as a general training mechanism applied to most of modern object detectors. Experiments are performed on MS COCO dataset with three different sparsely annotated settings using two typical frameworks: anchor-based detector RetinaNet and anchor-free detector FCOS. Experimental results show that our Co-mining with RetinaNet achieves 1.4%~2.1% improvements compared with different baselines and surpasses existing methods under the same sparsely annotated setting.
• Abstract（参考訳）: オブジェクト検出器は通常、完全なインスタンスアノテーションの監督で有望な結果を達成する。 しかし、それらのパフォーマンスはスパースインスタンスアノテーションに満足できない。 sparsely annotated object detectionの既存の方法の多くは、ハードネガティブなサンプルの損失を再強調するか、ラベルなしのインスタンスを無視された領域に変換して偽陰性の干渉を減らすかのどちらかである。 これらの戦略は、アノテーションの欠如によるネガティブな影響をほとんど軽減できないため、不十分であると主張する。 本稿では,簡潔にアノテーションを付加したオブジェクト検出のための,Co-miningと呼ばれるシンプルで効果的な機構を提案する。 共同マイニングでは、シームズネットワークの2つのブランチが互いに擬似ラベルセットを予測する。 マルチビュー学習を強化し、ラベルなしのインスタンスをより良くマイニングするために、元の画像と対応する拡張画像がそれぞれ、シームズネットワークの2つのブランチの入力として使用される。 コマイニングは現代のほとんどの物体検出器に適用される一般的な訓練機構として機能する。 実験は、アンカーベース検出器RetinaNetとアンカーフリー検出器FCOSの2つの典型的なフレームワークを使用して、3つの異なるアノテートされた設定でMS COCOデータセット上で実施される。 実験結果から、RetinaNetとのコマイニングは、異なるベースラインと比較して1.4%～2.1%の改善を実現し、同じ簡潔なアノテート条件下で既存のメソッドを上回ります。

関連論文リスト

• A Novel Unified Architecture for Low-Shot Counting by Detection and Segmentation [10.461109095311546]
  ローショットオブジェクトカウンタは、注釈付き例題をほとんどあるいは全く使用せずに画像内のオブジェクト数を推定する。 既存のアプローチは、しばしば過一般化と偽陽性検出につながる。 本稿では,オブジェクト検出,セグメンテーション,カウント推定を行う新しいローショットカウンタであるGeCoを紹介する。
  論文  参考訳（メタデータ） (2024-09-27T12:20:29Z)
• Calibrated Teacher for Sparsely Annotated Object Detection [35.74904852812749]
  完全な教師付きオブジェクト検出には、すべてのインスタンスに注釈を付けるトレーニングイメージが必要である。 これは、高い労力と時間コストと避けられないアノテーションのため、実際には現実的ではありません。 近年,アノテーションの欠落に対して擬似ラベルを生成することで,オブジェクト検出の容易化が図られている。 本稿では,予測の信頼度を実際の精度に合わせるために,校正教師を提案する。
  論文  参考訳（メタデータ） (2023-03-14T02:02:39Z)
• Domain Adaptive Segmentation of Electron Microscopy with Sparse Point Annotations [2.5137859989323537]
  競争性能に優れたアノテーション効率のアプローチを開発する。 弱教師付きドメイン適応(WDA)に極端にスパースで弱いアノテーションのタイプで焦点を当てる。 15%のポイントアノテーションしか持たないモデルでは、教師付きモデルと同等のパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2022-10-24T10:50:37Z)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
  Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。 ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。 我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2022-01-12T18:57:04Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Modulating Localization and Classification for Harmonized Object Detection [40.82723262074911]
  2つのタスクを変調する相互学習フレームワークを提案する。 特に,2つのタスクは,新たな相互ラベル付け戦略によって互いに学習することを余儀なくされる。 COCOデータセットのベースライン検出器に対する大幅なパフォーマンス向上を実現しました。
  論文  参考訳（メタデータ） (2021-03-16T10:36:02Z)
• Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
  単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。 検出精度は元の1段検出器と比べて同等か、さらに向上した。
  論文  参考訳（メタデータ） (2021-01-28T02:38:29Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。