論文の概要: Box Re-Ranking: Unsupervised False Positive Suppression for Domain Adaptive Pedestrian Detection

• arxiv url: http://arxiv.org/abs/2102.00595v1
• Date: Mon, 1 Feb 2021 02:31:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-03 02:14:02.152149
• Title: Box Re-Ranking: Unsupervised False Positive Suppression for Domain Adaptive Pedestrian Detection
• Title（参考訳）: Box Re-Ranking: ドメイン適応ペデストリアン検出のための教師なし偽陽性抑制
• Authors: Weijie Chen and Yilu Guo and Shicai Yang and Zhaoyang Li and Zhenxin Ma and Binbin Chen and Long Zhao and Di Xie and Shiliang Pu and Yueting Zhuang
• Abstract要約: 偽陽性は、ドメイン適応型歩行者検出において、ドメインシフトによって引き起こされる最も深刻な問題の1つである。 我々は偽陽性抑圧問題をエレガントにボックス再ランク問題に変換する。 正の正の差分検出を継続することを目的として,ボックス数アライメントを提案する。
• 参考スコア（独自算出の注目度）: 70.25977409196449
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: False positive is one of the most serious problems brought by agnostic domain shift in domain adaptive pedestrian detection. However, it is impossible to label each box in countless target domains. Therefore, it yields our attention to suppress false positive in each target domain in an unsupervised way. In this paper, we model an object detection task into a ranking task among positive and negative boxes innovatively, and thus transform a false positive suppression problem into a box re-ranking problem elegantly, which makes it feasible to solve without manual annotation. An attached problem during box re-ranking appears that no labeled validation data is available for cherrypicking. Considering we aim to keep the detection of true positive unchanged, we propose box number alignment, a self-supervised evaluation metric, to prevent the optimized model from capacity degeneration. Extensive experiments conducted on cross-domain pedestrian detection datasets have demonstrated the effectiveness of our proposed framework. Furthermore, the extension to two general unsupervised domain adaptive object detection benchmarks also supports our superiority to other state-of-the-arts.
• Abstract（参考訳）: 偽陽性は、ドメイン適応型歩行者検出におけるドメインシフトの診断によってもたらされる最も深刻な問題の1つです。 しかし、各ボックスを無数のターゲットドメインにラベル付けすることは不可能です。 したがって、各対象領域における偽陽性を教師なしの方法で抑制することに注意を向ける。 本稿では,オブジェクト検出タスクをポジティブボックスとネガティブボックスのランキングタスクに革新的にモデル化し,偽陽性抑圧問題をエレガントにボックス再ランク問題に変換することにより,手動のアノテーションを使わずに解決できるようにする。 ボックスの再ランク付け時に付随する問題は、チェリーピッキングにラベル付きバリデーションデータが利用できないことである。 本研究は,正の正の変わらずを検出することを目的として,自己監督評価指標であるボックス数アライメントを提案し,最適化されたモデルがキャパシティの劣化を防ぐ。 クロスドメイン歩行者検出データセットを用いて大規模な実験を行い,提案手法の有効性を実証した。 さらに、2つの一般教師なしドメイン適応オブジェクト検出ベンチマークへの拡張は、他の最先端技術に対する当社の優位性もサポートする。

関連論文リスト

• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Positive-Unlabeled Domain Adaptation [7.143879014059893]
  ポジティブ・アンラベル・ドメイン適応問題に対する2段階の新たな学習手法を提案する。 我々は、ソースドメインラベルと正の未ラベルリスク推定器によって導かれる対象ドメインの信頼度の高い正と負の擬似ラベルを同定する。 我々は、ビジュアルオブジェクト認識のためのベンチマークデータセットで実験を行うことで、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-02-11T15:32:02Z)
• Joint Distribution Alignment via Adversarial Learning for Domain Adaptive Object Detection [11.262560426527818]
  教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。 近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。 上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
  論文  参考訳（メタデータ） (2021-09-19T00:27:08Z)
• Uncertainty-Aware Model Adaptation for Unsupervised Cross-Domain Object Detection [12.807987076435928]
  この研究は、教師なしのクロスドメインオブジェクト検出問題に取り組む。 これは、事前訓練された物体検出器をラベルなしで新しいターゲットドメインに一般化することを目的としている。
  論文  参考訳（メタデータ） (2021-08-28T09:37:18Z)
• Tune it the Right Way: Unsupervised Validation of Domain Adaptation via Soft Neighborhood Density [125.64297244986552]
  本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。 私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
  論文  参考訳（メタデータ） (2021-08-24T17:41:45Z)
• Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
  ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。 本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。 検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
  論文  参考訳（メタデータ） (2021-06-02T05:21:25Z)
• Unsupervised Robust Domain Adaptation without Source Data [75.85602424699447]
  我々は、利用できないターゲットラベルとソースデータのコンテキストにおけるロバストなドメイン適応の問題について研究する。 4つのベンチマークデータセットでテストされたベースラインに対して10%以上の精度で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-03-26T16:42:28Z)
• A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data [69.091485888121]
  教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。 ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:42:35Z)

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。