論文の概要: Discovery-and-Selection: Towards Optimal Multiple Instance Learning for
Weakly Supervised Object Detection
- arxiv url: http://arxiv.org/abs/2110.09060v1
- Date: Mon, 18 Oct 2021 07:06:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-20 05:44:41.449863
- Title: Discovery-and-Selection: Towards Optimal Multiple Instance Learning for
Weakly Supervised Object Detection
- Title（参考訳）: 発見と選択:弱監視対象検出のための最適複数インスタンス学習を目指して
- Authors: Shiwei Zhang, Wei Ke, Lin Yang, Qixiang Ye, Xiaopeng Hong, Yihong
Gong, Tong Zhang
- Abstract要約: 複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。
我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
- 参考スコア（独自算出の注目度）: 86.86602297364826
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weakly supervised object detection (WSOD) is a challenging task that requires
simultaneously learn object classifiers and estimate object locations under the
supervision of image category labels. A major line of WSOD methods roots in
multiple instance learning which regards images as bags of instance and selects
positive instances from each bag to learn the detector. However, a grand
challenge emerges when the detector inclines to converge to discriminative
parts of objects rather than the whole objects. In this paper, under the
hypothesis that optimal solutions are included in local minima, we propose a
discoveryand-selection approach fused with multiple instance learning (DS-MIL),
which finds rich local minima and select optimal solutions from multiple local
minima. To implement DS-MIL, an attention module is designed so that more
context information can be captured by feature maps and more valuable proposals
can be collected during training. With proposal candidates, a re-rank module is
designed to select informative instances for object detector training.
Experimental results on commonly used benchmarks show that our proposed DS-MIL
approach can consistently improve the baselines, reporting state-of-the-art
performance.
- Abstract（参考訳）: 弱教師付きオブジェクト検出(WSOD)は、画像カテゴリラベルの監督の下で、オブジェクト分類器を同時に学習し、オブジェクトの位置を推定する必要がある課題である。
WSODメソッドのメインラインは、イメージを例のバッグと見なす複数のインスタンス学習に根ざし、各バッグから正のインスタンスを選択して検出器を学習する。
しかし、検出器が物体全体ではなく物体の識別的な部分に収束するにつれ、大きな課題が生じる。
本稿では,局所ミニマに最適解が組み込まれているという仮説の下で,複数インスタンス学習(DS-MIL)と融合した探索・選択手法を提案する。
DS-MILを実装するために、注目モジュールは特徴マップによってより多くのコンテキスト情報をキャプチャし、トレーニング中により価値のある提案を収集できるように設計されている。
提案候補では、オブジェクト検出トレーニングのインフォメーションインスタンスを選択するように再ランクモジュールが設計されている。
評価実験の結果,DS-MIL の手法はベースラインを常に改善し,最先端の性能を報告できることがわかった。
関連論文リスト
- Exploiting Unlabeled Data with Multiple Expert Teachers for Open Vocabulary Aerial Object Detection and Its Orientation Adaptation [58.37525311718006]
OVAD(Open-vocabulary Aero Object Detection)という,航空物体検出問題の新しい定式化を行った。
本稿では,CLIP-activated students-Teacher DetectionフレームワークであるCastDetを提案する。
本フレームワークは,ロバストなローカライズ教師といくつかのボックス選択戦略を統合し,新しいオブジェクトの高品質な提案を生成する。
論文 参考訳（メタデータ） (2024-11-04T12:59:13Z) - Few-shot Oriented Object Detection with Memorable Contrastive Learning in Remote Sensing Images [11.217630579076237]
リモートセンシングの分野では、FSOD(Few-shot Object Detection)が注目されている。
本稿では,Few-shot Oriented Object Detection with Memorable Contrastive Learning (FOMC) という,リモートセンシングのための新しいFSOD法を提案する。
具体的には、従来の水平有界ボックスの代わりに指向的有界ボックスを用いて、任意指向の空中オブジェクトのより優れた特徴表現を学習する。
論文 参考訳（メタデータ） (2024-03-20T08:15:18Z) - Proposal-Contrastive Pretraining for Object Detection from Fewer Data [11.416621957617334]
本稿では,新しい教師なし総合事前学習手法ProSeCoを提案する。
ProSeCoは、コントラスト学習のために検出器によって生成される多数のオブジェクト提案を使用する。
本手法は,標準および新しいベンチマークにおいて,対象検出のための教師なし事前学習において,最先端の手法であることを示す。
論文 参考訳（メタデータ） (2023-10-25T17:59:26Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳（メタデータ） (2023-07-07T04:03:48Z) - Transformer-based Multi-Instance Learning for Weakly Supervised Object
Detection [43.481591776038144]
Weakly Supervised Object Detection (WSOD)は、画像レベルのアノテーションのみを使用してオブジェクト検出モデルのトレーニングを可能にする。
Weakly Supervised Transformer Detection Network (WSTDN) をベースとしたWSODのバックボーンを提案する。
論文 参考訳（メタデータ） (2023-03-27T08:42:45Z) - Spatial Likelihood Voting with Self-Knowledge Distillation for Weakly
Supervised Object Detection [54.24966006457756]
自己知識蒸留ネットワーク(SLV-SDネット)を用いたWSODフレームワークを提案する。
SLV-SD Netは、境界ボックスアノテーションなしで領域提案のローカライゼーションを収束させる。
PASCAL VOC 2007/2012およびMS-COCOデータセットの実験は、SLV-SD Netの優れた性能を示している。
論文 参考訳（メタデータ） (2022-04-14T11:56:19Z) - Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。
この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
論文 参考訳（メタデータ） (2021-08-15T14:36:02Z) - Meta Faster R-CNN: Towards Accurate Few-Shot Object Detection with
Attentive Feature Alignment [33.446875089255876]
Few-shot Object Detection (FSOD) は、少数の例でオブジェクトを検出することを目的としている。
本稿では,データ不足ベースクラスから学習したメタ知識を新しいクラスに転送することで,メタラーニングに基づくマイショットオブジェクト検出手法を提案する。
論文 参考訳（メタデータ） (2021-04-15T19:01:27Z) - Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。
本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。
提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
論文 参考訳（メタデータ） (2021-03-25T22:34:16Z) - Distilling Knowledge from Refinement in Multiple Instance Detection
Networks [0.0]
弱教師付きオブジェクト検出(WSOD)は、ラベル付き画像カテゴリのみを監督として、オブジェクト検出の問題に取り組むことを目的としている。
そこで本研究では,各改良モジュールの監督期間中に,基幹クラス,背景,あるいは無視されるボックスの選択基準を動的に変更する適応型監視アグリゲーション機能を提案する。
論文 参考訳（メタデータ） (2020-04-23T02:49:40Z)
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。