論文の概要: Data-efficient Weakly-supervised Learning for On-line Object Detection under Domain Shift in Robotics

• arxiv url: http://arxiv.org/abs/2012.14345v1
• Date: Mon, 28 Dec 2020 16:36:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 11:01:22.175990
• Title: Data-efficient Weakly-supervised Learning for On-line Object Detection under Domain Shift in Robotics
• Title（参考訳）: ロボットにおけるドメインシフトによるオンライン物体検出のためのデータ効率の弱教師付き学習
• Authors: Elisa Maiettini and Raffaello Camoriano and Giulia Pasquale and Vadim Tikhanoff and Lorenzo Rosasco and Lorenzo Natale
• Abstract要約: 文献では、Deep Convolutional Neural Networks (DCNNs)に基づく多数のオブジェクト検出方法が提案されている。 これらの手法はロボティクスに重要な制限がある:オフラインデータのみに学習するとバイアスが発生し、新しいタスクへの適応を防ぐことができる。 本研究では,弱い教師付き学習がこれらの問題にどのように対処できるかを検討する。
• 参考スコア（独自算出の注目度）: 24.878465999976594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several object detection methods have recently been proposed in the literature, the vast majority based on Deep Convolutional Neural Networks (DCNNs). Such architectures have been shown to achieve remarkable performance, at the cost of computationally expensive batch training and extensive labeling. These methods have important limitations for robotics: Learning solely on off-line data may introduce biases (the so-called domain shift), and prevents adaptation to novel tasks. In this work, we investigate how weakly-supervised learning can cope with these problems. We compare several techniques for weakly-supervised learning in detection pipelines to reduce model (re)training costs without compromising accuracy. In particular, we show that diversity sampling for constructing active learning queries and strong positives selection for self-supervised learning enable significant annotation savings and improve domain shift adaptation. By integrating our strategies into a hybrid DCNN/FALKON on-line detection pipeline [1], our method is able to be trained and updated efficiently with few labels, overcoming limitations of previous work. We experimentally validate and benchmark our method on challenging robotic object detection tasks under domain shift.
• Abstract（参考訳）: 近年,Deep Convolutional Neural Networks (DCNN) に基づくオブジェクト検出手法が提案されている。 このようなアーキテクチャは、計算コストのかかるバッチトレーニングと広範囲なラベリングを犠牲にして、優れた性能を発揮することが示されている。 オフラインデータのみに基づく学習はバイアス(いわゆるドメインシフト)をもたらし、新しいタスクへの適応を防ぐ。 本研究では,これらの問題に対して弱い教師付き学習がどう対処できるかを検討する。 検出パイプラインにおける弱教師付き学習のいくつかの手法を比較し,精度を損なうことなくモデル(再学習)コストを削減する。 特に、アクティブな学習クエリ構築のための多様性サンプリングと自己教師付き学習のための強陽性選択により、大幅なアノテーションの節約とドメインシフト適応の改善が可能であることを示す。 我々の戦略をハイブリッドDCNN/FALKONオンライン検出パイプライン[1]に統合することにより、従来の作業の限界を克服し、少数のラベルで効率的にトレーニングし、更新することができる。 ドメインシフト下でのロボット物体検出課題に対して,提案手法を実験的に検証し,ベンチマークを行った。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Semi-Supervised Object Detection: A Survey on Progress from CNN to Transformer [12.042768320132694]
  本稿では,物体検出のための半教師付き学習における27の最先端開発について概説する。 データ拡張テクニック、擬似ラベル戦略、一貫性の正則化、敵の訓練方法などをカバーする。 我々は,既存の課題を克服し,物体検出のための半教師あり学習における新たな方向性を探るため,さらなる研究の関心を喚起することを目的としている。
  論文  参考訳（メタデータ） (2024-07-11T12:58:13Z)
• Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
  本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。 検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-20T17:11:05Z)
• 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)
• Improving Botnet Detection with Recurrent Neural Network and Transfer Learning [5.602292536933117]
  ボットネット検出は、ボットネットの拡散を防ぎ、悪意のある活動を防ぐための重要なステップである。 機械学習(ML)を用いた最近のアプローチでは、以前のアプローチよりもパフォーマンスが向上した。 Recurrent Variational Autoencoder (RVAE) を用いた新しいボットネット検出法を提案する。
  論文  参考訳（メタデータ） (2021-04-26T14:05:01Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• SID: Incremental Learning for Anchor-Free Object Detection via Selective and Inter-Related Distillation [16.281712605385316]
  増分学習は、ストリーミングデータから新しいタスクを継続的に学習するモデルを必要とする。 新しいタスクでよく訓練されたディープニューラルネットワークの従来の微調整は、古いタスクのパフォーマンスを劇的に低下させる。 SID(Selective and Inter-related Distillation)と呼ばれる新しい漸進的学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-12-31T04:12:06Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)
• Minimax Lower Bounds for Transfer Learning with Linear and One-hidden Layer Neural Networks [27.44348371795822]
  転送学習の限界を特徴付けるための統計的ミニマックスフレームワークを開発する。 ラベル付きソース数とターゲットデータの関数として,任意のアルゴリズムで達成可能なターゲット一般化誤差に対して,低いバウンドを導出する。
  論文  参考訳（メタデータ） (2020-06-16T22:49:26Z)
• Scalable Active Learning for Object Detection [20.99502312184771]
  アクティブラーニングは教師付き学習手法のデータ効率を向上させる強力な手法である。 自動運転の分野におけるアクティブな学習のためのスケーラブルな生産システムを構築しました。
  論文  参考訳（メタデータ） (2020-04-09T17:28:56Z)
• Incremental Object Detection via Meta-Learning [77.55310507917012]
  本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。 既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
  論文  参考訳（メタデータ） (2020-03-17T13:40:00Z)

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。