論文の概要: Normalization Matters in Weakly Supervised Object Localization

• arxiv url: http://arxiv.org/abs/2107.13221v1
• Date: Wed, 28 Jul 2021 08:14:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 13:58:49.848256
• Title: Normalization Matters in Weakly Supervised Object Localization
• Title（参考訳）: 弱監視対象定位における正規化事項
• Authors: Jeesoo Kim, Junsuk Choe, Sangdoo Yun, Nojun Kwak
• Abstract要約: 弱教師付きオブジェクトローカライゼーション(WSOL)は、ローカライゼーション情報なしでデータセットを使ってオブジェクトを見つけることができる。 CAMに基づくWSOL法の性能を大幅に向上させる新しい正規化法を提案する。
• 参考スコア（独自算出の注目度）: 46.47327872252866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly-supervised object localization (WSOL) enables finding an object using a dataset without any localization information. By simply training a classification model using only image-level annotations, the feature map of the model can be utilized as a score map for localization. In spite of many WSOL methods proposing novel strategies, there has not been any de facto standard about how to normalize the class activation map (CAM). Consequently, many WSOL methods have failed to fully exploit their own capacity because of the misuse of a normalization method. In this paper, we review many existing normalization methods and point out that they should be used according to the property of the given dataset. Additionally, we propose a new normalization method which substantially enhances the performance of any CAM-based WSOL methods. Using the proposed normalization method, we provide a comprehensive evaluation over three datasets (CUB, ImageNet and OpenImages) on three different architectures and observe significant performance gains over the conventional min-max normalization method in all the evaluated cases.
• Abstract（参考訳）: 弱教師付きオブジェクトローカライゼーション(WSOL)は、ローカライゼーション情報なしでデータセットを使ってオブジェクトを見つけることができる。 画像レベルのアノテーションのみを用いて分類モデルをトレーニングすることで、モデルの特徴マップをローカライゼーションのためのスコアマップとして利用することができる。 新たな戦略を提案する多くのWSOLメソッドにもかかわらず、クラスアクティベーションマップ(CAM)の正規化方法に関するデファクトスタンダードは存在していない。 その結果、多くのWSOL法は正規化法を誤用するため、その能力を完全に活用できなかった。 本稿では,既存の正規化手法を数多く検討し,与えられたデータセットの特性に応じて使用するべきであることを指摘する。 さらに,CAMに基づくWSOL法の性能を大幅に向上させる新しい正規化法を提案する。 提案手法を用いて,3つの異なるアーキテクチャ上での3つのデータセット(CUB, ImageNet, OpenImages)を総合的に評価し,従来のmin-max正規化手法よりも大きな性能向上を示す。

関連論文リスト

• CLIP-Loc: Multi-modal Landmark Association for Global Localization in Object-based Maps [0.16492989697868893]
  本稿では,オブジェクトマップとカメラ画像を用いたグローバルローカライゼーションのためのマルチモーダルデータアソシエーション手法について述べる。 本稿では,自然言語記述によるランドマークのラベル付けと,画像観察と概念的類似性に基づく対応抽出を提案する。
  論文  参考訳（メタデータ） (2024-02-08T22:59:12Z)
• Background Activation Suppression for Weakly Supervised Object Localization and Semantic Segmentation [84.62067728093358]
  弱教師付きオブジェクトローカライゼーションとセマンティックセグメンテーションは、画像レベルのラベルのみを使用してオブジェクトをローカライズすることを目的としている。 画素レベルのローカライゼーションを実現するために,フォアグラウンド予測マップを生成することで,新たなパラダイムが誕生した。 本稿では,物体の局在化学習過程に関する2つの驚くべき実験結果を示す。
  論文  参考訳（メタデータ） (2023-09-22T15:44:10Z)
• CREAM: Weakly Supervised Object Localization via Class RE-Activation Mapping [18.67907876709536]
  Class Re-Activation Mapping (CREAM)は、統合オブジェクト領域の活性化値を高めるクラスタリングベースのアプローチである。 CREAMは、CUB、ILSVRC、OpenImagesベンチマークデータセットの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-27T11:57:41Z)
• Evaluation for Weakly Supervised Object Localization: Protocol, Metrics, and Datasets [65.73451960585571]
  我々は、弱教師付きオブジェクトローカライゼーション(WSOL)タスクは、画像レベルのラベルだけでは不十分であると主張している。 本稿では,テストセットと重複しない小さなホールトアウトセットにのみ,完全な監視が制限される新しい評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2020-07-08T15:09:16Z)
• Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
  半教師付き学習における簡単なメタ学習アルゴリズムを提案する。 その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-07-08T08:48:56Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• Pairwise Similarity Knowledge Transfer for Weakly Supervised Object Localization [53.99850033746663]
  弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。 本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。 COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-03-18T17:53:33Z)
• Weakly-supervised Object Localization for Few-shot Learning and Fine-grained Few-shot Learning [0.5156484100374058]
  少数のサンプルから新しい視覚カテゴリーを学習することを目的としている。 本稿では,自己認識型補完モジュール(SACモジュール)を提案する。 また,数発の分類のために,識別的深層記述子を選択するためのアクティブマスクも生成する。
  論文  参考訳（メタデータ） (2020-03-02T14:07:05Z)
• Rethinking the Route Towards Weakly Supervised Object Localization [28.90792512056726]
  弱教師付きオブジェクトローカライゼーションは、クラスに依存しないオブジェクトローカライゼーションとオブジェクト分類の2つの部分に分けられるべきである。 クラス非依存のオブジェクトローカライゼーションでは、クラス非依存のメソッドを使用してノイズの多い擬似アノテーションを生成し、クラスラベルなしで境界ボックスのレグレッションを実行する必要がある。 我々のPSOLモデルは、微調整なしで異なるデータセット間で良好な転送性を持つ。
  論文  参考訳（メタデータ） (2020-02-26T08:54:20Z)

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。