論文の概要: Towards Robust Adaptive Object Detection under Noisy Annotations
- arxiv url: http://arxiv.org/abs/2204.02620v1
- Date: Wed, 6 Apr 2022 07:02:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 23:00:49.908614
- Title: Towards Robust Adaptive Object Detection under Noisy Annotations
- Title（参考訳）: 雑音によるロバスト適応物体検出に向けて
- Authors: Xinyu Liu, Wuyang Li, Qiushi Yang, Baopu Li, Yixuan Yuan
- Abstract要約: 既存のメソッドでは、ソースドメインラベルは完全にクリーンだが、大規模なデータセットにはインスタンスの曖昧さのためにエラーが発生しやすいアノテーションが含まれることが多い。
本稿では,この問題に対処するためのノイズ遅延伝達可能性探索フレームワークを提案する。
NLTEは、60%の破損したアノテーションの下でmAPを8.4%改善し、クリーンソースデータセットでのトレーニングの理想的な上限にアプローチする。
- 参考スコア（独自算出の注目度）: 40.25050610617893
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Domain Adaptive Object Detection (DAOD) models a joint distribution of images
and labels from an annotated source domain and learns a domain-invariant
transformation to estimate the target labels with the given target domain
images. Existing methods assume that the source domain labels are completely
clean, yet large-scale datasets often contain error-prone annotations due to
instance ambiguity, which may lead to a biased source distribution and severely
degrade the performance of the domain adaptive detector de facto. In this
paper, we represent the first effort to formulate noisy DAOD and propose a
Noise Latent Transferability Exploration (NLTE) framework to address this
issue. It is featured with 1) Potential Instance Mining (PIM), which leverages
eligible proposals to recapture the miss-annotated instances from the
background; 2) Morphable Graph Relation Module (MGRM), which models the
adaptation feasibility and transition probability of noisy samples with
relation matrices; 3) Entropy-Aware Gradient Reconcilement (EAGR), which
incorporates the semantic information into the discrimination process and
enforces the gradients provided by noisy and clean samples to be consistent
towards learning domain-invariant representations. A thorough evaluation on
benchmark DAOD datasets with noisy source annotations validates the
effectiveness of NLTE. In particular, NLTE improves the mAP by 8.4\% under 60\%
corrupted annotations and even approaches the ideal upper bound of training on
a clean source dataset.
- Abstract（参考訳）: ドメイン適応オブジェクト検出(DAOD)は、アノテーション付きソースドメインから画像とラベルの共分散をモデル化し、ドメイン不変変換を学び、対象のラベルを所定のターゲットのドメインイメージで推定する。
既存の手法では、ソースドメインラベルは完全にクリーンだが、大規模なデータセットにはインスタンスの曖昧さによるエラーを起こしやすいアノテーションが含まれていると仮定している。
本稿では,この課題に対処するために,ノイズレイテンシ・トランスファービリティ・エクスプロレーション(nlte)フレームワークを提案する。
特集されている
1) 候補インスタンスマイニング(pim)は,誤記されたインスタンスを背景から取り戻すために,適格な提案を利用する。
2)関係行列を持つ雑音サンプルの適応可能性と遷移確率をモデル化したMorphable Graph Relation Module (MGRM)
3)意味情報を識別プロセスに組み込んだエントロピー・アウェア・グラディエント・リコンシメント(EAGR)では,ノイズやクリーンなサンプルによって提供される勾配をドメイン不変表現の学習に整合させる。
ノイズの多いソースアノテーションを用いたベンチマークDAODデータセットの徹底的な評価は、NLTEの有効性を検証する。
特に、NLTEは、60\%の破損したアノテーションの下でmAPを8.4\%改善し、クリーンソースデータセット上の理想的なトレーニング上限にアプローチする。
関連論文リスト
- Online Continual Domain Adaptation for Semantic Image Segmentation Using
Internal Representations [28.549418215123936]
アノテーションのない領域におけるモデル一般化を改善するために,画像のセマンティックセマンティックセマンティックセマンティクスのためのオンラインUDAアルゴリズムを開発した。
確立されたセマンティックセマンティックセマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティックス(SOTA)と比較した。
論文 参考訳（メタデータ） (2024-01-02T04:48:49Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳（メタデータ） (2023-02-09T12:06:08Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳（メタデータ） (2022-11-12T09:21:49Z) - Instance Relation Graph Guided Source-Free Domain Adaptive Object
Detection [79.89082006155135]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。
UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。
Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
論文 参考訳（メタデータ） (2022-03-29T17:50:43Z) - Towards Robust Cross-domain Image Understanding with Unsupervised Noise
Removal [18.21213151403402]
ソース領域がノイズである場合に、クロスドメイン画像理解のための現代ドメイン適応手法が不十分であることが判明した。
Weakly Supervised Domain Adaptation (WSDA) のための新しいノイズ耐性ドメイン適応法を提案する。
新型コロナウイルスおよび電子商取引データセットの一般画像と医用画像の両面において,本手法の有効性を評価するため,広範な実験を行った。
論文 参考訳（メタデータ） (2021-09-09T14:06:59Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳（メタデータ） (2021-04-19T08:46:08Z) - ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification [25.035093667770052]
2つのモジュールを含むアンチノイズラーニング(ANL)アプローチを提案します。
FDAモジュールは、カメラ回りのコントラスト学習と逆適応を通じて、ID関連サンプルを収集し、ID非関連サンプルを分散するように設計されています。
reliable sample selection(rss)モジュールは、ノイズラベルを訂正し、メインモデルの信頼できるサンプルを選択するために補助モデルを使用する。
論文 参考訳（メタデータ） (2020-12-27T02:38:45Z) - Do We Really Need to Access the Source Data? Source Hypothesis Transfer
for Unsupervised Domain Adaptation [102.67010690592011]
Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。
従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。
この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
論文 参考訳（メタデータ） (2020-02-20T03:13:58Z)
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。