論文の概要: Sparsely Annotated Object Detection: A Region-based Semi-supervised Approach

• arxiv url: http://arxiv.org/abs/2201.04620v1
• Date: Wed, 12 Jan 2022 18:57:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-13 14:53:52.616301
• Title: Sparsely Annotated Object Detection: A Region-based Semi-supervised Approach
• Title（参考訳）: わずかに注釈付きオブジェクト検出:領域に基づく半教師付きアプローチ
• Authors: Sai Saketh Rambhatla, Saksham Suri, Rama Chellappa, Abhinav Shrivastava
• Abstract要約: トレーニングデータにアノテーションがない場合、オブジェクト検出器のパフォーマンスが著しく低下する。 本研究では,未ラベルのフォアグラウンドオブジェクトを含む領域を自動的に識別する領域ベース半教師付きアルゴリズムを提案する。 そこで,本アルゴリズムは,半教師付き手法で一般的な手法であるラベル付きおよびラベルなし前景領域を異なる方法で処理する。
• 参考スコア（独自算出の注目度）: 85.82643188372678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Research shows a noticeable drop in performance of object detectors when the training data has missing annotations, i.e. sparsely annotated data. Contemporary methods focus on proxies for missing ground-truth annotations either in the form of pseudo-labels or by re-weighing gradients for unlabeled boxes during training. In this work, we revisit the formulation of sparsely annotated object detection. We observe that sparsely annotated object detection can be considered a semi-supervised object detection problem at a region level. Building on this insight, we propose a region-based semi-supervised algorithm, that automatically identifies regions containing unlabeled foreground objects. Our algorithm then processes the labeled and un-labeled foreground regions differently, a common practice in semi-supervised methods. To evaluate the effectiveness of the proposed approach, we conduct exhaustive experiments on five splits commonly used by sparsely annotated approaches on the PASCAL-VOC and COCO datasets and achieve state-of-the-art performance. In addition to this, we show that our approach achieves competitive performance on standard semi-supervised setups demonstrating the strength and broad applicability of our approach.
• Abstract（参考訳）: 研究によると、トレーニングデータがアノテーションを欠いている場合、オブジェクト検出の性能が著しく低下している。 現代の手法では、擬似ラベルの形で、または訓練中の未ラベルボックスの勾配を再検討することによって、基幹構文アノテーションの欠如に対するプロキシに焦点を当てている。 本研究は, 簡潔な注釈付き物体検出の定式化について再考する。 領域レベルでの半教師付き物体検出問題として,少ない注釈付き物体検出が考えられる。 この知見に基づいて,ラベルのないフォアグラウンドオブジェクトを含む領域を自動的に識別する領域ベースの半教師付きアルゴリズムを提案する。 そこで,本アルゴリズムは,半教師付き手法で一般的な手法であるラベル付きおよびラベルなし前景領域を異なる方法で処理する。 提案手法の有効性を評価するため,PASCAL-VOC と COCO のデータセットに少ないアノテートを施した5つのスプリットに対して徹底的な実験を行った。 さらに,本手法の強靭性と幅広い適用性を示す標準半教師付き設定において,本手法が競合性能を達成することを示す。

関連論文リスト

• 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)
• Robust Assignment of Labels for Active Learning with Sparse and Noisy Annotations [0.17188280334580192]
  監視された分類アルゴリズムは、世界中の多くの現実の問題を解決するために使用される。 残念なことに、多くのタスクに対して良質なアノテーションを取得することは、実際に行うには不可能か、あるいはコストがかかりすぎます。 サンプル空間のラベルのない部分を利用する2つの新しいアノテーション統一アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-25T19:40:41Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Multi-label Classification with Partial Annotations using Class-aware Selective Loss [14.3159150577502]
  大規模なマルチラベル分類データセットは、一般的に部分的に注釈付けされている。 部分的なラベリング問題を解析し、2つの重要なアイデアに基づいた解を提案する。 われわれの新しいアプローチにより、OpenImagesデータセット上で最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-21T08:10:55Z)
• Learning with Noisy Labels by Targeted Relabeling [52.0329205268734]
  クラウドソーシングプラットフォームは、ディープニューラルネットワークをトレーニングするためのデータセット収集によく使用される。 本稿では,少数のアノテーションを予約して,高い確率でラベル付け可能なエラーを明示的に緩和する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-15T20:37:29Z)
• EvidentialMix: Learning with Combined Open-set and Closed-set Noisy Labels [30.268962418683955]
  開集合ラベルと閉集合ラベルを組み合わせた雑音ラベル問題の新しい変種について検討する。 その結果,従来の最先端手法よりも優れた分類結果と特徴表現が得られた。
  論文  参考訳（メタデータ） (2020-11-11T11:15:32Z)

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。