論文の概要: Instant-Teaching: An End-to-End Semi-Supervised Object Detection Framework

• arxiv url: http://arxiv.org/abs/2103.11402v1
• Date: Sun, 21 Mar 2021 14:03:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 13:32:02.724938
• Title: Instant-Teaching: An End-to-End Semi-Supervised Object Detection Framework
• Title（参考訳）: Instant-Teaching: 終端から終端までの半教師付きオブジェクト検出フレームワーク
• Authors: Qiang Zhou, Chaohui Yu, Zhibin Wang, Qi Qian, Hao Li
• Abstract要約: 半教師付きオブジェクト検出はラベルなしのデータを利用してモデルの性能を向上させることができる。 Instant-Teachingを提案する。これはトレーニングの繰り返しの指導に弱いデータ拡張を施した擬似ラベリングを用いている。 2%$ラベル付きデータを用いたMS-COCOでは,最新手法を4.2 mAP超えている。
• 参考スコア（独自算出の注目度）: 14.914115746675176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised learning based object detection frameworks demand plenty of laborious manual annotations, which may not be practical in real applications. Semi-supervised object detection (SSOD) can effectively leverage unlabeled data to improve the model performance, which is of great significance for the application of object detection models. In this paper, we revisit SSOD and propose Instant-Teaching, a completely end-to-end and effective SSOD framework, which uses instant pseudo labeling with extended weak-strong data augmentations for teaching during each training iteration. To alleviate the confirmation bias problem and improve the quality of pseudo annotations, we further propose a co-rectify scheme based on Instant-Teaching, denoted as Instant-Teaching$^*$. Extensive experiments on both MS-COCO and PASCAL VOC datasets substantiate the superiority of our framework. Specifically, our method surpasses state-of-the-art methods by 4.2 mAP on MS-COCO when using $2\%$ labeled data. Even with full supervised information of MS-COCO, the proposed method still outperforms state-of-the-art methods by about 1.0 mAP. On PASCAL VOC, we can achieve more than 5 mAP improvement by applying VOC07 as labeled data and VOC12 as unlabeled data.
• Abstract（参考訳）: 教師付き学習に基づくオブジェクト検出フレームワークは、実際のアプリケーションでは実用的でないかもしれない多くの面倒な手動アノテーションを必要とする。 半教師付きオブジェクト検出(SSOD)は、オブジェクト検出モデルの適用において非常に重要なモデル性能を向上させるために、ラベルのないデータを効果的に活用することができる。 本稿では,SSODを再検討し,ほぼエンドツーエンドかつ効果的なSSODフレームワークであるInstant-Teachingを提案する。 さらに,確認バイアス問題を緩和し,疑似アノテーションの品質を向上させるために,Instant-Teaching$^*$と表記されるInstant-Teachingに基づく共修正スキームを提案する。 MS-COCOとPASCALのVOCデータセットに関する大規模な実験は、我々のフレームワークの優位性を裏付けるものである。 具体的には,ラベル付きデータを用いてMS-COCOの4.2mAPを超える手法を提案する。 MS-COCOの完全な教師付き情報であっても,提案手法は現在でも約1.0mAPの最先端手法より優れている。 PASCAL VOCでは,ラベル付きデータとしてVOC07,ラベルなしデータとしてVOC12を適用することで,5mAP以上の改善を実現することができる。

関連論文リスト

• Adaptive Rentention & Correction for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Collaboration of Teachers for Semi-supervised Object Detection [20.991741476731967]
  本稿では,教師と学生の複数対の学習モデルからなるCTF(Collaboration of Teachers Framework)を提案する。 このフレームワークは、ラベルのないデータの利用を大幅に改善し、信頼できない擬似ラベルの正のフィードバックサイクルを防止する。
  論文  参考訳（メタデータ） (2024-05-22T06:17:50Z)
• Box-Level Active Detection [47.41635810670186]
  ボックスベース1サイクル当たりの予算を制御する,ボックスレベルのアクティブ検出フレームワークを導入する。 我々は,人間のアノテーションとモデルインテリジェンスの両方を活用するために,補完的擬似アクティブストラテジー(ComPAS)を提案する。 ComPASは、統一された設定で4つの設定で10の競争相手を上回っている。
  論文  参考訳（メタデータ） (2023-03-23T08:06:10Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Semi-Supervised Object Detection with Adaptive Class-Rebalancing Self-Training [5.874575666947381]
  本研究は、追加のラベル付きデータを用いて半教師付き物体検出を行い、検出性能を向上させることを目的とする。 疑似ラベルを生成するための新しい2段階フィルタリングアルゴリズムを提案する。 提案手法は,MS-COCOおよびVOCベンチマークの良好な改善を実現する。
  論文  参考訳（メタデータ） (2021-07-11T12:14:42Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• End-to-End Semi-Supervised Object Detection with Soft Teacher [63.26266730447914]
  本稿では,従来の複雑な多段階法とは対照的に,終端から終端までの半教師付き物体検出手法を提案する。 提案手法は, 種々のラベル付け比において, 従来手法よりも大きなマージンで性能を向上する。 最先端のSwin Transformerベースの物体検出器では、検出精度を+1.5 mAPで大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T17:59:30Z)
• Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
  SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。 学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T17:02:57Z)
• A Simple Semi-Supervised Learning Framework for Object Detection [55.95789931533665]
  半教師付き学習(SSL)は、ラベルなしデータを用いた機械学習モデルの予測性能を改善する可能性がある。 本稿では,データ拡張戦略とともに,視覚オブジェクト検出のための簡易かつ効果的なSSLフレームワークSTACを提案する。
  論文  参考訳（メタデータ） (2020-05-10T19:15:51Z)

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。