論文の概要: Supervision by Registration and Triangulation for Landmark Detection

• arxiv url: http://arxiv.org/abs/2101.09866v1
• Date: Mon, 25 Jan 2021 02:48:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-14 19:01:25.780000
• Title: Supervision by Registration and Triangulation for Landmark Detection
• Title（参考訳）: ランドマーク検出のための登録と三角測量による監督
• Authors: Xuanyi Dong, Yi Yang, Shih-En Wei, Xinshuo Weng, Yaser Sheikh, Shoou-I Yu
• Abstract要約: 本稿では,マルチビュー映像を用いた教師なし手法である登録・三角測量(srt)による監視を行い,ランドマーク検出器の精度と精度を向上させる。 ラベルのないデータを活用することで、検出者は大量のラベルのないデータから自由に学べる。
• 参考スコア（独自算出の注目度）: 70.13440728689231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Supervision by Registration and Triangulation (SRT), an unsupervised approach that utilizes unlabeled multi-view video to improve the accuracy and precision of landmark detectors. Being able to utilize unlabeled data enables our detectors to learn from massive amounts of unlabeled data freely available and not be limited by the quality and quantity of manual human annotations. To utilize unlabeled data, there are two key observations: (1) the detections of the same landmark in adjacent frames should be coherent with registration, i.e., optical flow. (2) the detections of the same landmark in multiple synchronized and geometrically calibrated views should correspond to a single 3D point, i.e., multi-view consistency. Registration and multi-view consistency are sources of supervision that do not require manual labeling, thus it can be leveraged to augment existing training data during detector training. End-to-end training is made possible by differentiable registration and 3D triangulation modules. Experiments with 11 datasets and a newly proposed metric to measure precision demonstrate accuracy and precision improvements in landmark detection on both images and video. Code is available at https://github.com/D-X-Y/landmark-detection.
• Abstract（参考訳）: 本稿では,マルチビュー映像を用いた教師なし手法である登録・三角測量(srt)による監視を行い,ランドマーク検出器の精度と精度を向上させる。 ラベルのないデータを活用することで、検出者は大量のラベルのないデータから自由に学び、手動のアノテーションの品質や量によって制限されない。 ラベルのないデータを利用するには,(1)隣接するフレームにおける同一のランドマークの検出は,登録,すなわち光学フローと一貫性を持つべきである。 2) 多重同期および幾何的校正ビューにおける同一のランドマークの検出は,単一の3次元点,すなわち複数視点の整合性に対応すべきである。 登録と多視点整合性は手動ラベリングを必要としない監督の源であり、検出器トレーニング中に既存のトレーニングデータを増やすために利用することができる。 識別可能な登録と3D三角モジュールにより、エンドツーエンドのトレーニングが可能です。 画像と映像のランドマーク検出における精度と精度の向上について,11のデータセットと新たに提案されたメトリクスを用いた実験を行った。 コードはhttps://github.com/D-X-Y/landmark-detectionで入手できる。

関連論文リスト

• Unsupervised Fish Trajectory Tracking and Segmentation [2.1028463367241033]
  本稿では,魚の追跡とセグメンテーションのための3段階のフレームワークを提案する。 第1段階は光フローモデルであり、フレーム間の空間的および時間的一貫性を用いて擬似ラベルを生成する。 第2段階では、自己教師付きモデルは擬似ラベルを漸進的に洗練する。 第3段階では、精巧なラベルを使用してセグメンテーションネットワークを訓練する。
  論文  参考訳（メタデータ） (2022-08-23T01:01:27Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [59.05097963821385]
  本稿では,ジェネレーティブなラベルの不確実性推定フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。 提案手法を様々な人気ベース3D検出器に組み込んで,その性能がOpenデータセットとKITTIデータセット上での最先端に著しく向上していることを確認する。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Semi-supervised 3D Object Detection via Temporal Graph Neural Networks [17.90796183565084]
  3Dオブジェクト検出は、自動運転やその他のロボット工学応用において重要な役割を果たす。 本研究では,3次元物体検出器の半教師付き学習により,大量の未ラベルのクラウドビデオを活用することを提案する。 本手法は,難解な nuScenes と H3D ベンチマーク上での最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2022-02-01T02:06:54Z)
• Unsupervised Person Re-Identification with Wireless Positioning under Weak Scene Labeling [104.80432023897289]
  本稿では、弱いシーンラベリングの下で、視覚データと無線位置決めトラジェクトリの両方を用いて、教師なしの人物再識別を探索することを提案する。 具体的には、視覚データと無線情報の相補性をモデル化した、新しい教師なしマルチモーダルトレーニングフレームワーク(UMTF)を提案する。 我々のUMTFには、MMDA(Multimodal Data Association Strategy)とMMGN(Multimodal Graph Neural Network)が含まれている。
  論文  参考訳（メタデータ） (2021-10-29T08:25:44Z)
• 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)
• Move to See Better: Self-Improving Embodied Object Detection [35.461141354989714]
  本研究では,テスト環境における物体検出の改善手法を提案する。 エージェントは、多視点データを収集し、2Dおよび3D擬似ラベルを生成し、その検出器を自己監督的に微調整する。
  論文  参考訳（メタデータ） (2020-11-30T19:16:51Z)
• Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
  本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。 提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。 そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。 ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
  論文  参考訳（メタデータ） (2020-11-25T18:59:54Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。