論文の概要: Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object Detection

• arxiv url: http://arxiv.org/abs/2103.16368v1
• Date: Mon, 29 Mar 2021 09:27:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:53:10.075641
• Title: Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object Detection
• Title（参考訳）: 半教師付き物体検出のためのデータ未確認多相学習
• Authors: Zhenyu Wang, Yali Li, Ye Guo, Lu Fang, Shengjin Wang
• Abstract要約: 半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。 本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
• 参考スコア（独自算出の注目度）: 66.10057490293981
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we delve into semi-supervised object detection where unlabeled images are leveraged to break through the upper bound of fully-supervised object detection models. Previous semi-supervised methods based on pseudo labels are severely degenerated by noise and prone to overfit to noisy labels, thus are deficient in learning different unlabeled knowledge well. To address this issue, we propose a data-uncertainty guided multi-phase learning method for semi-supervised object detection. We comprehensively consider divergent types of unlabeled images according to their difficulty levels, utilize them in different phases and ensemble models from different phases together to generate ultimate results. Image uncertainty guided easy data selection and region uncertainty guided RoI Re-weighting are involved in multi-phase learning and enable the detector to concentrate on more certain knowledge. Through extensive experiments on PASCAL VOC and MS COCO, we demonstrate that our method behaves extraordinarily compared to baseline approaches and outperforms them by a large margin, more than 3% on VOC and 2% on COCO.
• Abstract（参考訳）: 本稿では,未ラベル画像を利用した半教師対象検出手法を探索し,全教師対象検出モデルの上限を突破する。 疑似ラベルに基づく従来の半教師あり手法はノイズによってひどく劣化し、ノイズラベルに過度に適合しがちであるため、異なるラベルなしの知識をうまく学習できない。 そこで本研究では,半教師付き物体検出のための多相学習法を提案する。 我々は,その難易度に応じてラベルなし画像の発散型を包括的に検討し,異なるフェーズでそれらを活用し,異なるフェーズのアンサンブルモデルを用いて最終的な結果を生成する。 画像の不確実性誘導 容易データ選択と領域不確実性誘導 RoI 再重み付けは多相学習に関与し、検出器がより特定の知識に集中できるようにする。 PASCAL VOCとMS COCOの広範な実験を通じて,本手法はベースラインアプローチと比較して異常に動作し,VOCでは3%以上,COCOでは2%以上,大きなマージンで優れていた。

関連論文リスト

• Learning Camouflaged Object Detection from Noisy Pseudo Label [60.9005578956798]
  本稿では,まず,弱い半教師付きカモフラージュオブジェクト検出(COD)法を提案する。 予算効率が高く高精度なカモフラージュされたオブジェクトセグメンテーションを目標とし、完全にラベル付けされた画像が極めて限られている。 本稿では,早期の学習段階において,モデルが正しい画素の学習を容易にするノイズ補正損失を提案する。 完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T04:53:51Z)
• RAD: A Comprehensive Dataset for Benchmarking the Robustness of Image Anomaly Detection [4.231702796492545]
  本研究では,自由なビュー,不均一な照度,ぼやけたコレクションを備えたロバスト異常検出データセットを提案する。 RADは、ワーキングプラットフォーム上の異物を異常として識別することを目的としている。 RADを用いた非教師ありゼロショット法11点の評価と解析を行った。
  論文  参考訳（メタデータ） (2024-06-11T11:39:44Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Variational Self-Supervised Contrastive Learning Using Beta Divergence [0.0]
  本稿では,データノイズに対して頑健な自己教師付き学習手法を提案する。 顔理解領域における多ラベルデータセットを用いた線形評価と微調整シナリオを含む厳密な実験により,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-09-05T17:21:38Z)
• MuRAL: Multi-Scale Region-based Active Learning for Object Detection [20.478741635006116]
  オブジェクト検出のためのマルチスケール領域ベースアクティブラーニング(MuRAL)と呼ばれる新しい手法を提案する。 MuRALは、様々なスケールの情報領域を特定して、よく学習されたオブジェクトのアノテーションコストを削減する。 提案手法は,Cityscapes および MS COCO データセットの粗粒度および細粒度ベースラインを網羅する。
  論文  参考訳（メタデータ） (2023-03-29T12:52:27Z)
• The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge Detector [70.43599299422813]
  既存のメソッドは、単純な投票プロセスを使用して複数のアノテーションを融合し、エッジ固有の曖昧さを無視し、アノテータのラベル付けバイアスを無視する。 多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。 UAEDは複数のエッジ検出ベンチマークで一貫したパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-03-21T13:14:36Z)
• Uncertain Facial Expression Recognition via Multi-task Assisted Correction [43.02119884581332]
  MTACと呼ばれる不確実な表情認識に対処するためのマルチタスク支援補正法を提案する。 具体的には、信頼度推定ブロックと重み付け正則化モジュールを用いて、固体試料をハイライトし、バッチ毎に不確かさサンプルを抑圧する。 RAF-DB、AffectNet、AffWild2データセットの実験は、MTACが合成および実際の不確実性に直面した際のベースラインよりも大幅に改善されていることを示した。
  論文  参考訳（メタデータ） (2022-12-14T10:28:08Z)
• Combating Noise: Semi-supervised Learning by Region Uncertainty Quantification [55.23467274564417]
  現在の手法は、擬似ラベルによって生成されるノイズの多い領域によって容易に妨げられる。 領域の不確実性を定量化して雑音耐性半教師付き学習を提案する。 PASCAL VOCとMS COCOの併用実験により,本手法の異常な性能を実証した。
  論文  参考訳（メタデータ） (2021-11-01T13:23:42Z)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• Pixel-wise Anomaly Detection in Complex Driving Scenes [30.884375526254836]
  本稿では,不確実性マップを用いて異常検出を改善する画素方向異常検出フレームワークを提案する。 私たちのアプローチは、すでにトレーニング済みのセグメンテーションネットワークの一般的なフレームワークとして機能します。 さまざまな異常データセットを対象としたトップ2パフォーマンスは、異なる異常インスタンスを扱うアプローチの堅牢性を示している。
  論文  参考訳（メタデータ） (2021-03-09T14:26:20Z)

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。