論文の概要: Learning Maritime Obstacle Detection from Weak Annotations by Scaffolding

• arxiv url: http://arxiv.org/abs/2108.00564v1
• Date: Sun, 1 Aug 2021 23:37:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 15:37:32.622119
• Title: Learning Maritime Obstacle Detection from Weak Annotations by Scaffolding
• Title（参考訳）: 足場による弱アノテーションによる海上障害物検出の学習
• Authors: Lojze \v{Z}ust, Matej Kristan
• Abstract要約: 沿岸の自律ボートは障害物検出と時間的衝突回避のための頑健な認識手法に依存している。 このようなデータセットの1ピクセルあたりの真実ラベル付けは、労働集約的で高価である。 このような弱いアノテーションからのみ障害検出セグメンテーションネットワークをトレーニングできる新しい足場学習システムを提案する。
• 参考スコア（独自算出の注目度）: 15.80122710743313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coastal water autonomous boats rely on robust perception methods for obstacle detection and timely collision avoidance. The current state-of-the-art is based on deep segmentation networks trained on large datasets. Per-pixel ground truth labeling of such datasets, however, is labor-intensive and expensive. We observe that far less information is required for practical obstacle avoidance - the location of water edge on static obstacles like shore and approximate location and bounds of dynamic obstacles in the water is sufficient to plan a reaction. We propose a new scaffolding learning regime (SLR) that allows training obstacle detection segmentation networks only from such weak annotations, thus significantly reducing the cost of ground-truth labeling. Experiments show that maritime obstacle segmentation networks trained using SLR substantially outperform the same networks trained with dense ground truth labels. Thus accuracy is not sacrificed for labelling simplicity but is in fact improved, which is a remarkable result.
• Abstract（参考訳）: 沿岸の自律ボートは障害物検出と時間的衝突回避のための頑健な認識手法に依存している。 現在の最先端は、大規模なデータセットでトレーニングされたディープセグメンテーションネットワークに基づいている。 しかし、そのようなデータセットの1ピクセルあたりの真実ラベル付けは、労働集約的で高価である。 実際の障害物回避に必要となる情報が少ないこと,すなわち,岸などの静的障害物における水辺の位置や,水中の動的障害物の近似位置や境界は,反応を計画するのに十分である。 本研究では,このような弱いアノテーションのみから障害物検出セグメンテーションネットワークを訓練できる新しいスキャフォールディング学習レジーム(slr)を提案する。 実験により、SLRを用いて訓練された海上障害物セグメンテーションネットワークは、密度の高い地上の真理ラベルで訓練された同じネットワークよりも大幅に優れていた。 したがって、単純さのラベル付けには正確さが犠牲にならないが、実際は改善されている。

関連論文リスト

• A Universal Railway Obstacle Detection System based on Semi-supervised Segmentation And Optical Flow [1.450405446885067]
  従来のオブジェクト検出手法ではなく,バイナリ分割問題としてタスクを再構築する。 データ不足を軽減するため,Segment Anything (SAM) とYOLOを用いて,高度にリアルな合成画像を生成する。 我々は、事前知識として光学フローを活用してモデルを効果的に訓練する。
  論文  参考訳（メタデータ） (2024-06-27T05:48:26Z)
• 2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic Segmentation [92.17700318483745]
  合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。 IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
  論文  参考訳（メタデータ） (2023-11-27T07:57:29Z)
• Leveraging point annotations in segmentation learning with boundary loss [2.7874893928375917]
  本稿では,点教師ありセマンティックセグメンテーションのための強度ベース距離マップと境界損失の組み合わせについて検討する。 設計により、境界損失は、それらが生じる対象から遠く離れた偽陽性に対してより強いペナルティを課す。 ACDC(ハートセグメンテーション)とPOEM(全身腹部臓器セグメンテーション)の2種類のマルチクラスデータセットの実験を行った。
  論文  参考訳（メタデータ） (2023-11-06T21:18:39Z)
• Histogram Layer Time Delay Neural Networks for Passive Sonar Classification [58.720142291102135]
  時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。 提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
  論文  参考訳（メタデータ） (2023-07-25T19:47:26Z)
• Certified Interpretability Robustness for Class Activation Mapping [77.58769591550225]
  本稿では,解釈可能性マップのためのCORGI(Certifiable prOvable Robustness Guarantees)を提案する。 CORGIは入力画像を取り込み、そのCAM解釈可能性マップのロバスト性に対する証明可能な下限を与えるアルゴリズムである。 交通標識データを用いたケーススタディによるCORGIの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-26T18:58:11Z)
• Learning with Weak Annotations for Robust Maritime Obstacle Detection [10.773819584718648]
  海上障害物検出は、自律船の安全な航行に不可欠である。 このようなデータセットの1ピクセルあたりの真実ラベル付けは、労働集約的で高価である。 セグメント化に基づく障害物検出ネットワークを学習するための新しい足場学習システム(SLR)を提案する。 SLRは弱いアノテーションから初期モデルを訓練し、セグメンテーションの擬似ラベルの再推定とネットワークパラメータの改善を交互に行う。
  論文  参考訳（メタデータ） (2022-06-27T12:52:26Z)
• Temporal Context for Robust Maritime Obstacle Detection [10.773819584718648]
  海上障害物検出ネットワークWaSR-Tを提案する。 水面における物体反射の局所時間特性を学習することにより、WaSR-Tは障害物検出精度を大幅に向上する。 従来の単一フレーム法と比較して、WASR-Tはボートの危険域内での偽陽性検出数を41%減らし、53%以上減らした。
  論文  参考訳（メタデータ） (2022-03-10T12:58:14Z)
• Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
  ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。 ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-02-14T07:01:01Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• MODS -- A USV-oriented object detection and obstacle segmentation benchmark [12.356257470551348]
  海上物体検出とより一般的な海上障害物セグメンテーションの2つの主要な知覚タスクを考慮する新しい障害物検出ベンチマークMODSを紹介します。 船載IMUと同期する約81kのステレオ画像と60k以上の物体を注釈付けした新たな海洋評価データセットを提案する。 実用的なUSVナビゲーションに有用な方法で検出精度を反映した新しい障害物分割性能評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2021-05-05T22:40:27Z)
• Mixed-Privacy Forgetting in Deep Networks [114.3840147070712]
  大規模画像分類タスクにおいてトレーニングされたネットワークの重みからトレーニングサンプルのサブセットの影響を除去できることを示す。 そこで本研究では,混合プライバシー設定における「忘れ」という新しい概念を導入する。 提案手法は,モデル精度のトレードオフを伴わずに忘れることができることを示す。
  論文  参考訳（メタデータ） (2020-12-24T19:34:56Z)

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。