論文の概要: MUM : Mix Image Tiles and UnMix Feature Tiles for Semi-Supervised Object Detection

• arxiv url: http://arxiv.org/abs/2111.10958v1
• Date: Mon, 22 Nov 2021 02:46:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 15:45:54.064075
• Title: MUM : Mix Image Tiles and UnMix Feature Tiles for Semi-Supervised Object Detection
• Title（参考訳）: MUM : 半監督対象検出のための混合画像タイルとUnMix特徴タイル
• Authors: JongMok Kim, Jooyoung Jang, Seunghyeon Seo, Jisoo Jeong, Jongkeun Na, Nojun Kwak
• Abstract要約: 我々は、半教師付き学習(SSL)フレームワーク用の混合画像タイル用の特徴タイルをアンミックスする、単純で効果的なデータ拡張手法であるMix/UnMix(MUM)を導入する。 提案手法は混合入力画像タイルを作成し,特徴空間で再構成することにより,MUMは非補間擬似ラベルの最近の正規化効果を享受し,有意義な弱いペアを生成することができる。
• 参考スコア（独自算出の注目度）: 26.032596415721947
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many recent semi-supervised learning (SSL) studies build teacher-student architecture and train the student network by the generated supervisory signal from the teacher. Data augmentation strategy plays a significant role in the SSL framework since it is hard to create a weak-strong augmented input pair without losing label information. Especially when extending SSL to semi-supervised object detection (SSOD), many strong augmentation methodologies related to image geometry and interpolation-regularization are hard to utilize since they possibly hurt the location information of the bounding box in the object detection task. To address this, we introduce a simple yet effective data augmentation method, Mix/UnMix (MUM), which unmixes feature tiles for the mixed image tiles for the SSOD framework. Our proposed method makes mixed input image tiles and reconstructs them in the feature space. Thus, MUM can enjoy the interpolation-regularization effect from non-interpolated pseudo-labels and successfully generate a meaningful weak-strong pair. Furthermore, MUM can be easily equipped on top of various SSOD methods. Extensive experiments on MS-COCO and PASCAL VOC datasets demonstrate the superiority of MUM by consistently improving the mAP performance over the baseline in all the tested SSOD benchmark protocols.
• Abstract（参考訳）: 近年のsemi-supervised learning (ssl) 研究では,教師が生成した教師からの監視信号により,教師と生徒のネットワークを訓練している。 データ拡張戦略は、ラベル情報を失うことなく弱い強度を持つ拡張入力ペアを作成することが困難であるため、SSLフレームワークにおいて重要な役割を果たす。 特にsslを半教師付きオブジェクト検出(ssod)に拡張する場合、画像幾何や補間正規化に関連する強力な拡張手法は、オブジェクト検出タスクにおけるバウンディングボックスの位置情報を損なう可能性があるため、利用が難しい。 これを解決するために,SSODフレームワーク用の混合画像タイル用の特徴タイルをアンミックスする,シンプルで効果的なデータ拡張手法であるMix/UnMix(MUM)を導入する。 提案手法は,混合入力画像タイルを作成し,特徴空間で再構成する。 したがって、MUMは非補間擬似ラベルの補間・規則化効果を享受でき、有意義な弱強対を生成することができる。 さらに、MUMは様々なSSOD法の上に容易に装備できる。 MS-COCOとPASCAL VOCデータセットの大規模な実験は、全てのSSODベンチマークプロトコルのベースラインでのmAP性能を一貫して改善することで、MUMの優位性を実証している。

関連論文リスト

• GeoMix: Towards Geometry-Aware Data Augmentation [76.09914619612812]
  Mixupは画像分類におけるラベル付き限られたデータによる課題の緩和にかなりの成功を収めている。 In-place graph editing を利用した簡易かつ解釈可能な混合手法 Geometric Mixup (GeoMix) を提案する。
  論文  参考訳（メタデータ） (2024-07-15T12:58:04Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Supervised Stochastic Neighbor Embedding Using Contrastive Learning [4.560284382063488]
  同じクラスに属するサンプルのクラスタは、低次元の埋め込み空間にまとめられる。 我々は、自己教師付きコントラスト的アプローチを完全教師付き設定に拡張し、ラベル情報を効果的に活用する。
  論文  参考訳（メタデータ） (2023-09-15T00:26:21Z)
• L-DAWA: Layer-wise Divergence Aware Weight Aggregation in Federated Self-Supervised Visual Representation Learning [14.888569402903562]
  自己教師付き学習(SSL)とフェデレーション付き学習(FL)をひとつのコヒーレントシステムに統合することは、データプライバシの保証を提供する可能性がある。 本稿では,FLアグリゲーションにおけるクライアントバイアスや分散の影響を軽減するため,レイヤワイド・ディバージェンス・アウェア・ウェイト・アグリゲーション(L-DAWA)と呼ばれる新たなアグリゲーション戦略を提案する。
  論文  参考訳（メタデータ） (2023-07-14T15:07:30Z)
• MA2CL:Masked Attentive Contrastive Learning for Multi-Agent Reinforcement Learning [128.19212716007794]
  我々はtextbfMulti-textbfAgent textbfMasked textbfAttentive textbfContrastive textbfLearning (MA2CL) という効果的なフレームワークを提案する。 MA2CLは、潜伏空間におけるマスクされたエージェント観察を再構築することにより、時間的およびエージェントレベルの予測の両方の学習表現を奨励する。 提案手法は,様々なMARLアルゴリズムの性能とサンプル効率を大幅に向上させ,様々な視覚的,状態的シナリオにおいて,他の手法よりも優れる。
  論文  参考訳（メタデータ） (2023-06-03T05:32:19Z)
• Hierarchical Supervision and Shuffle Data Augmentation for 3D Semi-Supervised Object Detection [90.32180043449263]
  最先端の3Dオブジェクト検出器は通常、高品質な3Dアノテーションを備えた大規模データセットで訓練される。 自然な治療法は、限られた量のラベル付きサンプルと豊富なラベル付きサンプルを活用することで、半教師付き学習(SSL)を採用することである。 本稿では,HSSDA(Hierarchical Supervision and Shuffle Data Augmentation)の新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2023-04-04T02:09:32Z)
• De-coupling and De-positioning Dense Self-supervised Learning [65.56679416475943]
  Dense Self-Supervised Learning (SSL)メソッドは、複数のオブジェクトでイメージを処理する際に、画像レベルの特徴表現を使用する際の制限に対処する。 本研究は, 層深度やゼロパディングに伴う受容野の増大によって生じる, 結合と位置バイアスに悩まされていることを示す。 我々はCOCOにおける本手法の利点と、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出のための新しい挑戦的ベンチマークであるOpenImage-MINIについて示す。
  論文  参考訳（メタデータ） (2023-03-29T18:07:25Z)
• Supervision Interpolation via LossMix: Generalizing Mixup for Object Detection and Beyond [10.25372189905226]
  LossMixは単純だが汎用的で効果的な正規化であり、物体検出器の性能と堅牢性を高める。 PASCAL VOCとMS COCOデータセットの実証結果は、LossMixが検出のための最先端の手法を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-03-18T06:13:30Z)
• Boosting Weakly Supervised Object Detection via Learning Bounding Box Adjusters [76.36104006511684]
  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。
  論文  参考訳（メタデータ） (2021-08-03T13:38:20Z)

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。