論文の概要: PseudoProp: Robust Pseudo-Label Generation for Semi-Supervised Object Detection in Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2203.05983v1
• Date: Fri, 11 Mar 2022 15:09:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-14 14:01:53.482094
• Title: PseudoProp: Robust Pseudo-Label Generation for Semi-Supervised Object Detection in Autonomous Driving Systems
• Title（参考訳）: PseudoProp: 自律運転システムにおける半監督対象検出のためのロバストな擬似ラベル生成
• Authors: Shu Hu, Chun-Hao Liu, Jayanta Dutta, Ming-Ching Chang, Siwei Lyu, Naveen Ramakrishnan
• Abstract要約: 本稿では,映像フレームにおける動きの連続性を利用して,ロバストな擬似ラベルを生成する手法を提案する。 提案手法は,mAP75において,最先端の半教師対象検出手法を7.4%向上させる。
• 参考スコア（独自算出の注目度）: 42.51709009844805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised object detection methods are widely used in autonomous driving systems, where only a fraction of objects are labeled. To propagate information from the labeled objects to the unlabeled ones, pseudo-labels for unlabeled objects must be generated. Although pseudo-labels have proven to improve the performance of semi-supervised object detection significantly, the applications of image-based methods to video frames result in numerous miss or false detections using such generated pseudo-labels. In this paper, we propose a new approach, PseudoProp, to generate robust pseudo-labels by leveraging motion continuity in video frames. Specifically, PseudoProp uses a novel bidirectional pseudo-label propagation approach to compensate for misdetection. A feature-based fusion technique is also used to suppress inference noise. Extensive experiments on the large-scale Cityscapes dataset demonstrate that our method outperforms the state-of-the-art semi-supervised object detection methods by 7.4% on mAP75.
• Abstract（参考訳）: 半教師付き物体検出法は、少数の物体をラベル付けした自律走行システムで広く用いられている。 ラベル付オブジェクトからラベル付オブジェクトへ情報を伝達するには、ラベル付オブジェクトの擬似ラベルを生成する必要がある。 擬似ラベルは半教師付き物体検出の性能を著しく向上することが証明されているが、画像に基づく手法をビデオフレームに適用すると、このような擬似ラベルを用いて多数のミスや誤検出が行われる。 本稿では,ビデオフレームの動作連続性を利用してロバストな擬似ラベルを生成する新しい手法であるpseudopropを提案する。 具体的には、pseudopropは新しい双方向擬似ラベル伝播アプローチを使用して誤検出を補償する。 特徴に基づく融合技術は推論ノイズを抑制するためにも用いられる。 大規模都市景観データセットの広範な実験により,map75では,最先端の半教師付き物体検出手法を7.4%上回った。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Sparse Generation: Making Pseudo Labels Sparse for weakly supervision with points [2.2241974678268903]
  モデルのスパース出力の結果、弱教師付き擬似ラベルの生成を考える。 擬似ラベルをスパース化するスパース生成法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T10:42:49Z)
• Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
  Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。 より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。 我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
  論文  参考訳（メタデータ） (2024-01-01T08:19:21Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Semi-supervised Salient Object Detection with Effective Confidence Estimation [35.0990691497574]
  本研究では,少数のラベル付きサンプルと多数のラベル付きサンプルにアクセス可能な半教師付きサルエント物体検出法について検討した。 本研究では,条件付きエネルギーベースモデルの潜伏変数を用いて,人体給与ラベルの性質をモデル化する。 ラベル付きサンプルは1/16に過ぎず,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。
  論文  参考訳（メタデータ） (2021-12-28T07:14:48Z)
• Improving Camouflaged Object Detection with the Uncertainty of Pseudo-edge Labels [43.948627323889774]
  本稿では,背景に隠された物体を検出するタスクであるCOD(camouflaged object detection)に焦点を当てた。 予測されたカモフラージュマップを改良するために,複数の視覚的手がかり,すなわち有意性,エッジをフル活用する新しいフレームワークを提案する。 各種CODデータセットに対する実験により,既存の最先端手法よりも優れた性能で本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-10-29T08:15:47Z)
• ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection [78.71826145162092]
  本稿では,ST3D++という名前の自己学習手法を提案する。 擬似ラベル生成プロセスにハイブリット品質を意識した三重項メモリを組み込むことにより、生成された擬似ラベルの品質と安定性を向上させる。 モデルトレーニングの段階では、ソースデータ支援トレーニング戦略とカリキュラムデータ拡張ポリシーを提案する。
  論文  参考訳（メタデータ） (2021-08-15T07:49:06Z)
• Labels Are Not Perfect: Inferring Spatial Uncertainty in Object Detection [26.008419879970365]
  本研究では,生成モデルに基づいて,lidar point cloudのバウンディングボックスラベルの不確かさを推定する。 包括的実験により,提案モデルはライダー知覚とラベル品質の複雑な環境雑音を反映していることがわかった。 ラベルの不確実性を組み込んだ新しい評価指標としてJaccard IoUを提案する。
  論文  参考訳（メタデータ） (2020-12-18T09:11:44Z)

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。