論文の概要: Boosting Weakly Supervised Object Detection via Learning Bounding Box
Adjusters
- arxiv url: http://arxiv.org/abs/2108.01499v1
- Date: Tue, 3 Aug 2021 13:38:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 13:59:51.912921
- Title: Boosting Weakly Supervised Object Detection via Learning Bounding Box
Adjusters
- Title(参考訳): 学習境界ボックスアジャスタによる弱教師付き物体検出の促進
- Authors: Bowen Dong and Zitong Huang and Yuelin Guo and Qilong Wang and
Zhenxing Niu and Wangmeng Zuo
- Abstract要約: 高価なインスタンスレベルのオブジェクトアノテーションを避けるため、WSOD(Weakly-supervised Object Detection)が最近の話題として登場した。
我々は、よく注釈付けされた補助データセットからバウンディングボックス回帰知識を活用することにより、ローカライズ性能を向上させるための問題設定を擁護する。
提案手法は,WSOD法と知識伝達モデルに対して,同様の問題設定で良好に機能する。
- 参考スコア(独自算出の注目度): 76.36104006511684
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Weakly-supervised object detection (WSOD) has emerged as an inspiring recent
topic to avoid expensive instance-level object annotations. However, the
bounding boxes of most existing WSOD methods are mainly determined by
precomputed proposals, thereby being limited in precise object localization. In
this paper, we defend the problem setting for improving localization
performance by leveraging the bounding box regression knowledge from a
well-annotated auxiliary dataset. First, we use the well-annotated auxiliary
dataset to explore a series of learnable bounding box adjusters (LBBAs) in a
multi-stage training manner, which is class-agnostic. Then, only LBBAs and a
weakly-annotated dataset with non-overlapped classes are used for training
LBBA-boosted WSOD. As such, our LBBAs are practically more convenient and
economical to implement while avoiding the leakage of the auxiliary
well-annotated dataset. In particular, we formulate learning bounding box
adjusters as a bi-level optimization problem and suggest an EM-like multi-stage
training algorithm. Then, a multi-stage scheme is further presented for
LBBA-boosted WSOD. Additionally, a masking strategy is adopted to improve
proposal classification. Experimental results verify the effectiveness of our
method. Our method performs favorably against state-of-the-art WSOD methods and
knowledge transfer model with similar problem setting. Code is publicly
available at \url{https://github.com/DongSky/lbba_boosted_wsod}.
- Abstract(参考訳): 高価なインスタンスレベルのオブジェクトアノテーションを避けるため、WSOD(Weakly-supervised Object Detection)が最近の話題として登場した。
しかし、既存のほとんどのWSODメソッドのバウンディングボックスは、主に事前計算された提案によって決定され、したがって正確なオブジェクトローカライゼーションにおいて制限される。
本稿では,よくアノテーションされた補助データセットから境界ボックス回帰知識を活用し,ローカライズ性能を向上させるための問題設定を擁護する。
まず,学習可能なバウンディングボックスアジャスタ(lbbas)をクラスに依存しない多段階のトレーニング方法で探索するために,注釈付き補助データセットを用いた。
そして、LBBAをベースとしたWSODのトレーニングには、LBBAと非オーバーラップクラス付き弱アノテーションデータセットのみを使用する。
そのため,我々のLBBAは,補助的注釈付きデータセットの漏洩を回避しつつ,実装に便利で経済的である。
特に,二段階最適化問題として学習境界ボックス調整器を定式化し,EMのような多段階学習アルゴリズムを提案する。
次に、LBBAボイスされたWSODに対して、さらに多段階のスキームを示す。
さらに、提案分類を改善するためにマスキング戦略を採用する。
本手法の有効性を実験的に検証した。
提案手法は,WSOD法と知識伝達モデルに対して,同様の問題設定で良好に機能する。
コードは \url{https://github.com/DongSky/lbba_boosted_wsod} で公開されている。
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) - Improved Region Proposal Network for Enhanced Few-Shot Object Detection [23.871860648919593]
Few-shot Object Detection (FSOD) メソッドは、古典的なオブジェクト検出手法の限界に対する解決策として登場した。
FSODトレーニング段階において,未ラベルの新規物体を正のサンプルとして検出し,利用するための半教師付きアルゴリズムを開発した。
地域提案ネットワーク(RPN)の階層的サンプリング戦略の改善により,大規模オブジェクトに対するオブジェクト検出モデルの認識が向上する。
論文 参考訳(メタデータ) (2023-08-15T02:35:59Z) - Improving Localization for Semi-Supervised Object Detection [3.5493798890908104]
予測された有界ボックスのフィルタリングを改善するために,有界ボックスのローカライゼーションのための追加の分類タスクを導入する。
我々のIL-netは制限付きアノテーション方式でデータセット上でSSOD性能を1.14%向上させることを示した。
論文 参考訳(メタデータ) (2022-06-21T08:39:38Z) - Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。
そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。
実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
論文 参考訳(メタデータ) (2022-05-12T02:23:25Z) - Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。
サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文 参考訳(メタデータ) (2022-05-02T16:09:17Z) - Dense Learning based Semi-Supervised Object Detection [46.885301243656045]
半教師付きオブジェクト検出(SSOD)は、大量のラベルのないデータの助けを借りて、オブジェクト検出器の訓練と展開を容易にすることを目的としている。
本稿では,DenSe Learningに基づくアンカーフリーSSODアルゴリズムを提案する。
実験はMS-COCOとPASCAL-VOCで行われ,提案手法は新たな最先端SSOD性能を記録する。
論文 参考訳(メタデータ) (2022-04-15T02:31:02Z) - Semi-supervised Batch Active Learning via Bilevel Optimization [89.37476066973336]
両レベル最適化によるデータ要約問題として,本手法を定式化する。
本手法は,ラベル付きサンプルがほとんど存在しない場合,レジーム内のキーワード検出タスクにおいて極めて有効であることを示す。
論文 参考訳(メタデータ) (2020-10-19T16:53:24Z) - 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)
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。