論文の概要: Semi-supervised Salient Object Detection with Effective Confidence
Estimation
- arxiv url: http://arxiv.org/abs/2112.14019v1
- Date: Tue, 28 Dec 2021 07:14:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 15:26:25.160706
- Title: Semi-supervised Salient Object Detection with Effective Confidence
Estimation
- Title(参考訳): 有効信頼度推定による半教師付きサルエント物体検出
- Authors: Jiawei Liu, Jing Zhang, Nick Barnes
- Abstract要約: 本研究では,半教師付き有向物体検出法について検討し,ラベル付きデータセットレベルの信頼度推定問題として定式化する。
我々は、有効潜時空間探索のためにエネルギーを基礎とした新しい潜時変動モデルを導入し、より信頼性の高い信頼性マップを作成する。
実験結果から,提案手法は従来のトレーニングデータセットからのアノテーションの1/16しか使用せず,最先端の完全教師付きモデルと比較して競争性能が向上することが示された。
- 参考スコア(独自算出の注目度): 39.463091196871176
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The success of existing salient object detection models relies on a large
pixel-wise labeled training dataset. How-ever, collecting such a dataset is not
only time-consuming but also very expensive. To reduce the labeling burden, we
study semi-supervised salient object detection, and formulate it as an
unlabeled dataset pixel-level confidence estimation problem by identifying
pixels with less confident predictions. Specifically, we introduce a new latent
variable model with an energy-based prior for effective latent space
exploration, leading to more reliable confidence maps. With the proposed
strategy, the unlabelled images can effectively participate in model training.
Experimental results show that the proposed solution, using only 1/16 of the
annotations from the original training dataset, achieves competitive
performance compared with state-of-the-art fully supervised models.
- Abstract(参考訳): 既存のsalientオブジェクト検出モデルの成功は、大きなピクセル単位のラベル付きトレーニングデータセットに依存している。
いずれにせよ、このようなデータセットの収集には時間を要するだけでなく、非常にコストもかかる。
ラベル付けの負担を軽減するため,半教師付きサルエント物体検出を検討,自信のない予測で画素を識別することでラベルなしデータセットの信頼度推定問題として定式化する。
具体的には、有効な潜在空間探査のためのエネルギーベースプリエントを持つ新しい潜在変数モデルを導入し、より信頼性の高い信頼度マップを作成する。
提案した戦略により、非ラベル画像はモデルトレーニングに効果的に参加できる。
実験結果から,提案手法は従来のトレーニングデータセットからのアノテーションの1/16しか使用せず,最先端の完全教師付きモデルと比較して競争性能が向上することがわかった。
関連論文リスト
- Learning with Imbalanced Noisy Data by Preventing Bias in Sample
Selection [82.43311784594384]
実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。
不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
論文 参考訳(メタデータ) (2024-02-17T10:34:53Z) - Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。
1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。
本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。
本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
論文 参考訳(メタデータ) (2024-01-15T03:33:39Z) - SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised
Learning [101.86916775218403]
本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。
トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。
実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
論文 参考訳(メタデータ) (2023-01-26T03:53:25Z) - Rethinking Precision of Pseudo Label: Test-Time Adaptation via
Complementary Learning [10.396596055773012]
本稿では,テスト時間適応性を高めるための新しい補完学習手法を提案する。
テスト時適応タスクでは、ソースドメインからの情報は通常利用できない。
我々は,相補ラベルのリスク関数がバニラ損失式と一致することを強調した。
論文 参考訳(メタデータ) (2023-01-15T03:36:33Z) - Leveraging Instance Features for Label Aggregation in Programmatic Weak
Supervision [75.1860418333995]
Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。
PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。
既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
論文 参考訳(メタデータ) (2022-10-06T07:28:53Z) - Seq-UPS: Sequential Uncertainty-aware Pseudo-label Selection for
Semi-Supervised Text Recognition [21.583569162994277]
最も一般的なSSLアプローチの1つは擬似ラベル(PL)である。
PL法はノイズによって著しく劣化し、ノイズの多いラベルに過度に適合する傾向がある。
テキスト認識のための擬似ラベル生成と不確実性に基づくデータ選択フレームワークを提案する。
論文 参考訳(メタデータ) (2022-08-31T02:21:02Z) - EnergyMatch: Energy-based Pseudo-Labeling for Semi-Supervised Learning [34.062061310242385]
半教師付き学習(SSL)における最近の最先端手法は、整合性正規化と信頼に基づく疑似ラベルを組み合わせる。
モデル信頼に頼る代わりに、ラベルのないサンプルが「流通中」であるかどうかを測定する。
論文 参考訳(メタデータ) (2022-06-13T17:55:07Z) - Confidence Adaptive Regularization for Deep Learning with Noisy Labels [2.0349696181833337]
ディープニューラルネットワークのノイズラベルに対する記憶効果に関する最近の研究は、ネットワークが正しくラベル付けされたトレーニングサンプルに最初に適合し、誤ってラベル付けされたサンプルを記憶することを示している。
そこで本研究では,この早期学習現象に触発されて,誤記サンプルの暗記を防止する新しい方法を提案する。
我々は,合成および実世界のデータセットに関する理論的解析と実験を行い,本手法が最先端の手法に匹敵する結果をもたらすことを示す。
論文 参考訳(メタデータ) (2021-08-18T15:51:25Z) - Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。
現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。
我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-12-18T19:03:40Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2020-12-16T04:09:04Z)
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。