論文の概要: Multiple instance active learning for object detection

• arxiv url: http://arxiv.org/abs/2104.02324v1
• Date: Tue, 6 Apr 2021 07:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-04-07 14:26:56.553761
• Title: Multiple instance active learning for object detection
• Title（参考訳）: 物体検出のための複数インスタンスアクティブ学習
• Abstract要約: マルチインスタンスアクティブオブジェクト検出(MI-AOD)は、オブジェクト検出のためのインスタンスレベルのアクティブな学習方法である。 MI-AODは、未ラベルのイメージをインスタンスバッグとして扱い、イメージのアンカーをインスタンスとして扱う。 MI-AODは最先端の手法よりも優れたマージンを持つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the substantial progress of active learning for image recognition, there still lacks an instance-level active learning method specified for object detection. In this paper, we propose Multiple Instance Active Object Detection (MI-AOD), to select the most informative images for detector training by observing instance-level uncertainty. MI-AOD defines an instance uncertainty learning module, which leverages the discrepancy of two adversarial instance classifiers trained on the labeled set to predict instance uncertainty of the unlabeled set. MI-AOD treats unlabeled images as instance bags and feature anchors in images as instances, and estimates the image uncertainty by re-weighting instances in a multiple instance learning (MIL) fashion. Iterative instance uncertainty learning and re-weighting facilitate suppressing noisy instances, toward bridging the gap between instance uncertainty and image-level uncertainty. Experiments validate that MI-AOD sets a solid baseline for instance-level active learning. On commonly used object detection datasets, MI-AOD outperforms state-of-the-art methods with significant margins, particularly when the labeled sets are small. Code is available at https://github.com/yuantn/MI-AOD.
• Abstract（参考訳）: 画像認識のためのアクティブラーニングの実質的な進歩にもかかわらず、オブジェクト検出のためにインスタンスレベルのアクティブラーニング方法が不足している。 本稿では,インスタンスレベルの不確かさを観測することで,検出器訓練に最も有用な画像を選択するためのマルチインスタンスアクティブオブジェクト検出(mi-aod)を提案する。 MI-AODは、ラベル付き集合で訓練された2つの逆インスタンス分類器の相違を利用して、ラベル付き集合のインスタンス不確かさを予測するインスタンス不確実性学習モジュールを定義する。 MI-AODは、未ラベルの画像をインスタンスバッグとして扱い、画像の特徴アンカーをインスタンスとして扱い、マルチインスタンス学習(MIL)方式でインスタンスを再重み付けすることで、画像の不確実性を推定する。 反復的なインスタンスの不確実性学習と再重み付けは、インスタンスの不確実性と画像レベルの不確実性の間のギャップを埋めるために、ノイズの多いインスタンスの抑制を促進する。 MI-AODがインスタンスレベルのアクティブラーニングのためのソリッドベースラインを設定することを検証する実験。 一般的に使用されるオブジェクト検出データセットでは、特にラベル付き集合が小さい場合、MI-AODは最先端の手法よりも大きなマージンを持つ。 コードはhttps://github.com/yuantn/MI-AODで入手できる。

関連論文リスト

• Classification Committee for Active Deep Object Detection [24.74839931613233]
  本稿では,アクティブディープオブジェクト検出のための分類委員会を提案する。 委員会は、その不確実性値に基づいて最も情報性の高い画像を選択する。 本手法は,最先端の能動学習法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-16T16:31:36Z)
• Absolute Wrong Makes Better: Boosting Weakly Supervised Object Detection via Negative Deterministic Information [54.35679298764169]
  弱教師付き物体検出(WSOD)は、画像レベルのラベルを用いて物体検出を訓練する難しい課題である。 本稿では,WSODにおける決定論的情報を特定し,完全に活用することに焦点を当てる。 我々は、WSOD、すなわちNDI-WSODを改善するための負の決定論的情報(NDI)に基づく手法を提案する。
  論文  参考訳（メタデータ） (2022-04-21T12:55:27Z)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• Discovery-and-Selection: Towards Optimal Multiple Instance Learning for Weakly Supervised Object Detection [86.86602297364826]
  複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。 我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
  論文  参考訳（メタデータ） (2021-10-18T07:06:57Z)
• Reliable Shot Identification for Complex Event Detection via Visual-Semantic Embedding [72.9370352430965]
  本稿では,映像中の事象検出のための視覚的意味的誘導損失法を提案する。 カリキュラム学習に動機付け,高い信頼性の事例で分類器の訓練を開始するために,負の弾性正規化項を導入する。 提案する非ネット正規化問題の解法として,代替最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-12T11:46:56Z)
• Uncertainty-Aware Weakly Supervised Action Detection from Untrimmed Videos [82.02074241700728]
  本稿では,ビデオフレームラベルのみを用いてトレーニングした,禁止レベルの行動認識モデルを提案する。 人1人当たりの手法は、複数のインスタンス学習フレームワーク内の大規模な画像データセットで訓練されている。 標準的な多重インスタンス学習の仮定では、各バッグには、指定されたラベルを持つ少なくとも1つのインスタンスが含まれているという仮定が無効である場合、どのようにメソッドを適用するかを示す。
  論文  参考訳（メタデータ） (2020-07-21T10:45:05Z)
• Object Instance Mining for Weakly Supervised Object Detection [24.021995037282394]
  本稿では,オブジェクト検出の弱いエンドツーエンドのオブジェクトインスタンスマイニング(OIM)フレームワークを提案する。 OIMは、空間グラフと外観グラフに情報伝搬を導入することにより、各画像に存在する全ての可能なオブジェクトインスタンスを検知しようとする。 反復学習プロセスでは、同一クラスからの識別の少ないオブジェクトインスタンスを徐々に検出し、トレーニングに利用することができる。
  論文  参考訳（メタデータ） (2020-02-04T02:11:39Z)

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。