論文の概要: Humble Teachers Teach Better Students for Semi-Supervised Object Detection

• arxiv url: http://arxiv.org/abs/2106.10456v1
• Date: Sat, 19 Jun 2021 09:05:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 15:35:12.086420
• Title: Humble Teachers Teach Better Students for Semi-Supervised Object Detection
• Title（参考訳）: 教師が教師に教える半教師によるオブジェクト検出
• Authors: Yihe Tang, Weifeng Chen, Yijun Luo, Yuting Zhang
• Abstract要約: 我々のモデルは、VOC12をラベルなしデータとして使用する場合、VOC07 valセットで53.04%、STACより8.4%のCOCOスタイルのAPを実現する。 また、MS-COCOテストデーブで53.8%APに達し、完全に監督されたResNet-152 Cascaded R-CNNよりも3.1%アップしている。
• 参考スコア（独自算出の注目度）: 7.764145630268344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a semi-supervised approach for contemporary object detectors following the teacher-student dual model framework. Our method is featured with 1) the exponential moving averaging strategy to update the teacher from the student online, 2) using plenty of region proposals and soft pseudo-labels as the student's training targets, and 3) a light-weighted detection-specific data ensemble for the teacher to generate more reliable pseudo-labels. Compared to the recent state-of-the-art -- STAC, which uses hard labels on sparsely selected hard pseudo samples, the teacher in our model exposes richer information to the student with soft-labels on many proposals. Our model achieves COCO-style AP of 53.04% on VOC07 val set, 8.4% better than STAC, when using VOC12 as unlabeled data. On MS-COCO, it outperforms prior work when only a small percentage of data is taken as labeled. It also reaches 53.8% AP on MS-COCO test-dev with 3.1% gain over the fully supervised ResNet-152 Cascaded R-CNN, by tapping into unlabeled data of a similar size to the labeled data.
• Abstract（参考訳）: 教師と学生の両モデルフレームワークに倣って,現代オブジェクト検出のための半教師付きアプローチを提案する。 本手法は,(1)教師をオンライン上で更新するための指数的移動平均化戦略,(2)学生のトレーニング対象として多くの地域提案とソフトな擬似ラベルを用い,(3)教師がより信頼性の高い擬似ラベルを生成するための軽量な検出専用データアンサンブルを特徴とする。 厳密に選択された疑似サンプルにハードラベルを使用する最近のSTACと比較して,本モデルの教師は,多くの提案に対してソフトラベルを持つ生徒に豊かな情報を公開する。 voc12をラベルなしデータとして使用する場合,本モデルはvoc07 valセットのcoco型apを53.04%,stacより8.4%向上した。 MS-COCOでは、ラベル付けされたデータの割合がわずかである場合、前処理よりも優れる。 MS-COCOテストデーブでは53.8%のAPに達し、ラベル付きデータと同じサイズのラベル付きデータをタップすることで、完全に監督されたResNet-152 Cascaded R-CNNよりも3.1%向上した。

関連論文リスト

• 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)
• The Devil is in the Points: Weakly Semi-Supervised Instance Segmentation via Point-Guided Mask Representation [61.027468209465354]
  本稿では,ポイントラベル付き弱半教師付きインスタンスセグメンテーション(WSSIS)という新しい学習手法を提案する。 本稿では、予算に優しいポイントラベルを強力な弱監督源として効果的に活用できるWSSISの手法を提案する。 我々はCOCOとBDD100Kデータセットの広範な実験を行い、提案手法は完全な教師付きモデルのデータセットに匹敵する有望な結果を得る。
  論文  参考訳（メタデータ） (2023-03-27T10:11:22Z)
• Active Teacher for Semi-Supervised Object Detection [80.10937030195228]
  半教師対象検出(SSOD)のための能動教師と呼ばれる新しいアルゴリズムを提案する。 Active Teacherは、教師/学生のフレームワークを反復的なバージョンに拡張し、ラベルセットを部分的に段階的に拡張し、ラベルなし例の3つの重要な要素を評価する。 この設計により、Active Teacherは、擬似ラベルの品質を改善しながら、限られたラベル情報の効果を最大化することができる。
  論文  参考訳（メタデータ） (2023-03-15T03:59:27Z)
• Neighborhood-Regularized Self-Training for Learning with Few Labels [21.7848889781112]
  自己学習の欠点の1つは、誤った擬似ラベルからのラベルノイズに弱いことである。 そこで我々は, 周辺住民によるサンプル選択手法を開発し, ノイズのある擬似ラベルの問題に対処する。 提案したデータ選択戦略は擬似ラベルのノイズを36.8%削減し、最良のベースラインと比較して57.3%の時間を節約する。
  論文  参考訳（メタデータ） (2023-01-10T00:07:33Z)
• Label Matching Semi-Supervised Object Detection [85.99282969977541]
  半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。 本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-14T05:59:41Z)
• Instant-Teaching: An End-to-End Semi-Supervised Object Detection Framework [14.914115746675176]
  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。
  論文  参考訳（メタデータ） (2021-03-21T14:03:36Z)
• 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)
• 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection [76.42897462051067]
  3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
  論文  参考訳（メタデータ） (2020-12-08T11:06:26Z)
• 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。