論文の概要: Salvage of Supervision in Weakly Supervised Detection
- arxiv url: http://arxiv.org/abs/2106.04073v1
- Date: Tue, 8 Jun 2021 03:13:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-09 15:57:40.531219
- Title: Salvage of Supervision in Weakly Supervised Detection
- Title（参考訳）: 弱監視検出におけるスーパービジョンの救い
- Authors: Lin Sui, Chen-Lin Zhang, Jianxin Wu
- Abstract要約: 弱い監視対象検出(WSOD)が注目されている。
本稿では,WSODと完全教師付き検出のギャップを埋める新たなフレームワークであるSalvage of Supervision (SoS)を提案する。
SoSは、WSODの潜在的に有用な監視信号(画像レベルの弱いラベル、擬似ラベル、半教師対象検出のパワー)をすべて活用する。
- 参考スコア（独自算出の注目度）: 26.73345419145416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weakly supervised object detection (WSOD) has recently attracted much
attention. However, the method, performance and speed gaps between WSOD and
fully supervised detection prevent WSOD from being applied in real-world tasks.
To bridge the gaps, this paper proposes a new framework, Salvage of Supervision
(SoS), with the key idea being to harness every potentially useful supervisory
signal in WSOD: the weak image-level labels, the pseudo-labels, and the power
of semi-supervised object detection. This paper shows that each type of
supervisory signal brings in notable improvements, outperforms existing WSOD
methods (which mainly use only the weak labels) by large margins. The proposed
SoS-WSOD method achieves 64.4 $m\text{AP}_{50}$ on VOC2007, 61.9
$m\text{AP}_{50}$ on VOC2012 and 16.4 $m\text{AP}_{50:95}$ on MS-COCO, and also
has fast inference speed. Ablations and visualization further verify the
effectiveness of SoS.
- Abstract（参考訳）: weakly supervised object detection (wsod) は近年注目を集めている。
しかし、WSODと完全教師付き検出との手法、性能、速度ギャップは、WSODを現実世界のタスクに適用することを妨げる。
本稿では,このギャップを埋めるために,wsodにおける潜在的に有用な監視信号(弱画像レベルラベル,擬似ラベル,半教師付き物体検出のパワー)を活用すべく,新たな枠組みであるsaveage of supervisor (sos)を提案する。
本稿では,各種類の監視信号が,既存のwsod法(主に弱ラベルのみを使用する)を大きなマージンで上回り,顕著な改善をもたらすことを示す。
提案手法は, VOC2007では64.4 $m\text{AP}_{50}$, VOC2012では61.9 $m\text{AP}_{50}$, MS-COCOでは16.4 $m\text{AP}_{50:95}$を達成する。
アブレーションと可視化はSoSの有効性をさらに検証する。
関連論文リスト
- Semi-supervised Open-World Object Detection [74.95267079505145]
半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。
提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。
我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-02-25T07:12:51Z) - LEDetection: A Simple Framework for Semi-Supervised Few-Shot Object
Detection [4.3512163406552]
本稿では,ベースラベルと新規ラベルが同時に不足する現実的なシナリオを考慮し,半教師付きFSODの新たな課題について考察する。
我々は、疑似ラベルと地域提案の一貫性学習を組み合わせた堅牢な検出器であるSoftER Teacherを紹介する。
厳密な実験により、SoftER Teacherは必要なベースラベルの10%しか使用せず、強力な教師付き検出器の新規性能を上回ることが示されている。
論文 参考訳（メタデータ） (2023-03-10T06:49:31Z) - A Weakly Supervised Learning Framework for Salient Object Detection via
Hybrid Labels [96.56299163691979]
本稿では,ハイブリッドラベル下でのSODタスクに焦点をあてる。
このタスクにおけるラベルノイズと量不均衡の問題に対処するため、我々は3つの洗練されたトレーニング戦略を持つ新しいパイプラインフレームワークを設計する。
5つのSODベンチマーク実験により,本手法は弱教師付き/非教師付き手法と競合する性能を示した。
論文 参考訳（メタデータ） (2022-09-07T06:45:39Z) - Open-Set Semi-Supervised Object Detection [43.464223594166654]
近年,Semi-Supervised Object Detection (SSOD) の開発が進められている。
我々は、より実用的で難しい問題、OSSOD(Open-Set Semi-Supervised Object Detection)を考える。
提案フレームワークはセマンティック拡張問題に効果的に対処し,OSSODベンチマークにおける一貫した改善を示す。
論文 参考訳（メタデータ） (2022-08-29T17:04:30Z) - W2N:Switching From Weak Supervision to Noisy Supervision for Object
Detection [64.10643170523414]
弱い監督からうるさい監督(W2N)に切り替える新しいパラダイムを持つ新しいWSODフレームワークを提案する。
ローカライズ適応モジュールでは、元の擬似接地構造における識別部分の割合を減らすために正規化損失を提案する。
我々のW2Nは、既存の純粋なWSODメソッドや転送学習メソッドよりも優れています。
論文 参考訳（メタデータ） (2022-07-25T12:13:48Z) - 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) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳（メタデータ） (2021-05-21T11:58:50Z) - 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。