論文の概要: P2P-Loc: Point to Point Tiny Person Localization

• arxiv url: http://arxiv.org/abs/2112.15344v1
• Date: Fri, 31 Dec 2021 08:24:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-03 14:44:40.596003
• Title: P2P-Loc: Point to Point Tiny Person Localization
• Title（参考訳）: p2p-loc:ポイント・ツー・ポイント小人定位
• Authors: Xuehui Yu, Di Wu, Qixiang Ye, Jianbin Jiao and Zhenjun Han
• Abstract要約: 本稿では,人物位置決め作業のための新しいポイントベースフレームワークを提案する。 粗い点(粗い点)として各人に注釈を付けることは、正確なバウンディングボックスではなく、オブジェクトの範囲内の任意の点である。 提案手法は,アノテーションを最大80$%のコストで保存しながら,オブジェクトのローカライゼーション性能に匹敵する。
• 参考スコア（独自算出の注目度）: 47.6728595874315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bounding-box annotation form has been the most frequently used method for visual object localization tasks. However, bounding-box annotation relies on the large amounts of precisely annotating bounding boxes, which is expensive, laborious, thus impossible in practical scenarios, and even redundant for some applications caring not about size. Therefore, we propose a novel point-based framework for the person localization task by annotating each person as a coarse point (CoarsePoint) which can be any point within the object extent, instead of an accurate bounding box. And then predict the person's location as a 2D coordinate in the image. That greatly simplifies the data annotation pipeline. However, the CoarsePoint annotation inevitably causes the label reliability decrease (label uncertainty) and network confusion during training. As a result, we propose a point self-refinement approach, which iteratively updates point annotations in a self-paced way. The proposed refinement system alleviates the label uncertainty and progressively improves localization performance. Experiments show that our approach achieves comparable object localization performance while saving annotation cost up to 80$\%$. Code is enclosed in the supplementary materials.
• Abstract（参考訳）: バウンディングボックスアノテーション形式は、視覚オブジェクトのローカライゼーションタスクで最も頻繁に使用される方法である。 しかし、バウンディングボックスアノテーションは、コストが高く、労力がかかり、実用的なシナリオでは不可能であり、サイズを気にしていないアプリケーションでも冗長である、バウンディングボックスの正確な注釈の大量に依存する。 そこで本稿では,各人物を対象範囲内の任意の点である粗点(コアポイント)として,正確なバウンディングボックスを使わずにアノテートすることにより,個人ローカライゼーションタスクのための新しいポイントベースフレームワークを提案する。 そして、画像内の2D座標として人物の位置を予測する。 これはデータアノテーションパイプラインを大幅に単純化します。 しかし、粗点アノテーションは必然的にラベル信頼性の低下(ラベルの不確実性)とトレーニング中のネットワーク混乱を引き起こす。 そこで本研究では,ポイントアノテーションを反復的に自己ペースで更新するポイント自己定義手法を提案する。 提案システムでは,ラベルの不確実性を緩和し,局所化性能を徐々に向上させる。 実験の結果,アノテーションを最大80$\%のコストで保存しながら,オブジェクトのローカライゼーション性能が同等であることが確認された。 コードは補充資料に収められている。

関連論文リスト

• Dense Center-Direction Regression for Object Counting and Localization with Point Supervision [1.9526430269580954]
  本稿では,CeDiRNetと呼ばれる新しい学習手法を提案する。 最寄りの物体中心を向いている方向の高密度な回帰を利用する。 既存の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-26T17:49:27Z)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• Knowledge Combination to Learn Rotated Detection Without Rotated Annotation [53.439096583978504]
  回転バウンディングボックスは、伸長したオブジェクトの出力あいまいさを劇的に減少させる。 この効果にもかかわらず、回転検出器は広く使われていない。 本稿では,モデルが正確な回転ボックスを予測できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-05T03:07:36Z)
• Few-shot Geometry-Aware Keypoint Localization [13.51645400661565]
  意味的に一貫したキーポイント定義をローカライズすることを学ぶ新しい定式化を提案する。 ユーザラベル付き2D画像を入力例として使用し、セルフスーパービジョンで拡張する。 鍵点を昇華するために3次元幾何学的制約を導入し、より正確な2次元ローカライゼーションを実現する。
  論文  参考訳（メタデータ） (2023-03-30T08:19:42Z)
• Point-Teaching: Weakly Semi-Supervised Object Detection with Point Annotations [81.02347863372364]
  本稿では,弱い半教師付きオブジェクト検出フレームワークであるPoint-Teachingを提案する。 具体的には,ポイントアノテート画像の擬似ラベルを生成するためのハンガリーの点マッチング手法を提案する。 そこで本研究では,不整合点の影響を低減するため,単純なyet- effective data augmentation(ポイント誘導コピーペースト)を提案する。
  論文  参考訳（メタデータ） (2022-06-01T07:04:38Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)
• Rethinking the Route Towards Weakly Supervised Object Localization [28.90792512056726]
  弱教師付きオブジェクトローカライゼーションは、クラスに依存しないオブジェクトローカライゼーションとオブジェクト分類の2つの部分に分けられるべきである。 クラス非依存のオブジェクトローカライゼーションでは、クラス非依存のメソッドを使用してノイズの多い擬似アノテーションを生成し、クラスラベルなしで境界ボックスのレグレッションを実行する必要がある。 我々のPSOLモデルは、微調整なしで異なるデータセット間で良好な転送性を持つ。
  論文  参考訳（メタデータ） (2020-02-26T08:54:20Z)

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。