Fugu-MT 論文翻訳(概要): MEAL: Manifold Embedding-based Active Learning

論文の概要: MEAL: Manifold Embedding-based Active Learning

arxiv url: http://arxiv.org/abs/2106.11858v1
Date: Tue, 22 Jun 2021 15:22:56 GMT
ステータス: 処理完了
システム内更新日: 2021-06-23 19:00:20.790182
Title: MEAL: Manifold Embedding-based Active Learning
Title（参考訳）: MEAL: Manifold Embedding-based Active Learning
Authors: Deepthi Sreenivasaiah, Thomas Wollmann
Abstract要約: アクティブな学習は、ラベル付けのための最も有望なサンプルを提案することで、少量のデータから学ぶのに役立つ。本稿では,各獲得ステップにおいて,有望な画像領域を提案するアクティブラーニングのためのプールベースの新しい手法を提案する。また,Cityscapesでは,Cityscapesでは,CamVidの性能向上が認められなかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Image segmentation is a common and challenging task in autonomous driving. Availability of sufficient pixel-level annotations for the training data is a hurdle. Active learning helps learning from small amounts of data by suggesting the most promising samples for labeling. In this work, we propose a new pool-based method for active learning, which proposes promising image regions, in each acquisition step. The problem is framed in an exploration-exploitation framework by combining an embedding based on Uniform Manifold Approximation to model representativeness with entropy as uncertainty measure to model informativeness. We applied our proposed method to the challenging autonomous driving data sets CamVid and Cityscapes and performed a quantitative comparison with state-of-the-art methods. We find that our active learning method achieves better performance on CamVid compared to other methods, while on Cityscapes, the performance lift was negligible.
Abstract（参考訳）: 画像分割は自動運転において一般的かつ挑戦的なタスクである。トレーニングデータに十分なピクセルレベルのアノテーションが利用できることはハードルです。アクティブな学習は、ラベル付けのための最も有望なサンプルを提案することで、少量のデータから学ぶのに役立つ。本研究では,各獲得ステップにおいて,有望な画像領域を提案するアクティブ学習のためのプールベースの新しい手法を提案する。この問題は、一様多様体近似に基づく埋め込みとエントロピーを不確実性尺度としてモデル化し、情報度をモデル化することで探索・探索の枠組みに組み込まれている。提案手法をcamvidとcityscapesに応用し,最先端手法との定量的比較を行った。その結果,我々のアクティブラーニング手法は他の手法に比べてcamvidの性能が向上したが,都市景観では性能向上は無視できることがわかった。

関連論文リスト

Integrated Image-Text Based on Semi-supervised Learning for Small Sample Instance Segmentation [1.3157419797035321]
本稿では,既存情報の利用を最大化する観点から,新しいサンプルインスタンス分割法を提案する。まず、ラベルのないデータを学習して擬似ラベルを生成し、利用可能なサンプルの数を増やすことで、モデルが完全に活用するのに役立つ。第二に、テキストと画像の特徴を統合することにより、より正確な分類結果を得ることができる。
論文参考訳（メタデータ） (2024-10-21T14:44:08Z)
Two-Step Active Learning for Instance Segmentation with Uncertainty and Diversity Sampling [20.982992381790034]
本研究では,不確実性に基づくサンプリングと多様性に基づくサンプリングを統合したポストホック能動学習アルゴリズムを提案する。提案アルゴリズムは単純で実装が容易なだけでなく,様々なデータセットに対して優れた性能を実現する。
論文参考訳（メタデータ） (2023-09-28T03:40:30Z)
LVLane: Deep Learning for Lane Detection and Classification in Challenging Conditions [2.5641096293146712]
本稿では,ディープラーニング手法に基づくエンドツーエンドの車線検出・分類システムを提案する。本研究では,最新技術(SOTA)レーンローカライゼーションモデルにおいて重要な課題を提起するシナリオを包含する,厳密にキュレートされたユニークなデータセットを提案する。そこで本研究では,CNNをベースとした検知器とシームレスに統合し,異なるレーンの識別を容易にする分類手法を提案する。
論文参考訳（メタデータ） (2023-07-13T16:09:53Z)
ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2023-06-16T21:51:04Z)
MoBYv2AL: Self-supervised Active Learning for Image Classification [57.4372176671293]
画像分類のための自己教師型アクティブラーニングフレームワークであるMoBYv2ALを提案する。私たちの貢献は、最も成功した自己教師付き学習アルゴリズムであるMoBYをALパイプラインに持ち上げることです。近年のAL法と比較すると,最先端の結果が得られている。
論文参考訳（メタデータ） (2023-01-04T10:52:02Z)
Batch Active Learning from the Perspective of Sparse Approximation [12.51958241746014]
アクティブな学習は、機械学習エージェントと人間のアノテーションとのインタラクションを活用することで、効率的なモデルトレーニングを可能にする。スパース近似の観点からバッチアクティブラーニングを定式化する新しいフレームワークを提案し,提案する。我々のアクティブラーニング手法は、ラベルのないデータプールから、対応するトレーニング損失関数が、そのフルデータプールに近似するように、情報的サブセットを見つけることを目的としている。
論文参考訳（メタデータ） (2022-11-01T03:20:28Z)
Reinforcement Learning Approach to Active Learning for Image Classification [0.0]
この論文は、手作業で処理する必要があるデータの量を減らすための、可能なソリューションのひとつとして、アクティブな学習に取り組んでいます。画像分類のための強化学習問題として,能動学習ワークフローをフレーミングするためのフレームワークが新たに提案されている。
論文参考訳（メタデータ） (2021-08-12T08:34:02Z)
Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文参考訳（メタデータ） (2021-04-05T14:15:49Z)
Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文参考訳（メタデータ） (2020-09-08T07:29:05Z)
Learning Invariant Representations for Reinforcement Learning without Reconstruction [98.33235415273562]
本研究では,表現学習が画像などのリッチな観察からの強化学習を,ドメイン知識や画素再構成に頼ることなく促進する方法について検討する。シミュレーションメトリクスは、連続MDPの状態間の振る舞いの類似性を定量化する。修正された視覚的 MuJoCo タスクを用いてタスク関連情報を無視する手法の有効性を実証する。
論文参考訳（メタデータ） (2020-06-18T17:59:35Z)
GridMask Data Augmentation [76.79300104795966]
本稿では,新しいデータ拡張手法であるGridMaskを提案する。情報除去を利用して、様々なコンピュータビジョンタスクで最先端の結果を達成する。
論文参考訳（メタデータ） (2020-01-13T07:27:05Z)

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。