論文の概要: Absolute Wrong Makes Better: Boosting Weakly Supervised Object Detection via Negative Deterministic Information

• arxiv url: http://arxiv.org/abs/2204.10068v2
• Date: Wed, 17 May 2023 06:17:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 21:14:38.466573
• Title: Absolute Wrong Makes Better: Boosting Weakly Supervised Object Detection via Negative Deterministic Information
• Title（参考訳）: 絶対的誤り: 負の決定論的情報による弱い教師付き物体検出の促進
• Authors: Guanchun Wang, Xiangrong Zhang, Zelin Peng, Xu Tang, Huiyu Zhou, Licheng Jiao
• Abstract要約: 弱教師付き物体検出(WSOD)は、画像レベルのラベルを用いて物体検出を訓練する難しい課題である。 本稿では,WSODにおける決定論的情報を特定し,完全に活用することに焦点を当てる。 我々は、WSOD、すなわちNDI-WSODを改善するための負の決定論的情報(NDI)に基づく手法を提案する。
• 参考スコア（独自算出の注目度）: 54.35679298764169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised object detection (WSOD) is a challenging task, in which image-level labels (e.g., categories of the instances in the whole image) are used to train an object detector. Many existing methods follow the standard multiple instance learning (MIL) paradigm and have achieved promising performance. However, the lack of deterministic information leads to part domination and missing instances. To address these issues, this paper focuses on identifying and fully exploiting the deterministic information in WSOD. We discover that negative instances (i.e. absolutely wrong instances), ignored in most of the previous studies, normally contain valuable deterministic information. Based on this observation, we here propose a negative deterministic information (NDI) based method for improving WSOD, namely NDI-WSOD. Specifically, our method consists of two stages: NDI collecting and exploiting. In the collecting stage, we design several processes to identify and distill the NDI from negative instances online. In the exploiting stage, we utilize the extracted NDI to construct a novel negative contrastive learning mechanism and a negative guided instance selection strategy for dealing with the issues of part domination and missing instances, respectively. Experimental results on several public benchmarks including VOC 2007, VOC 2012 and MS COCO show that our method achieves satisfactory performance.
• Abstract（参考訳）: 弱教師付きオブジェクト検出(WSOD)は、画像レベルのラベル(画像全体のインスタンスのカテゴリなど)をオブジェクト検出器のトレーニングに使用する、困難なタスクである。 既存の多くのメソッドはMIL(Multiple Case Learning)パラダイムに従っており、有望なパフォーマンスを実現している。 しかし、決定論的情報の欠如は、部分的な支配と欠落に繋がる。 本稿は,WSODにおける決定論的情報の特定と活用に焦点を当てる。 負のインスタンス(すなわち全く間違ったインスタンス)が、以前の研究の多くで無視され、通常は貴重な決定論的情報を含んでいることを発見した。 そこで本研究では,WSOD改善のための負決定性情報(NDI)に基づく手法,すなわちNDI-WSODを提案する。 具体的には,NDIの収集と活用の2段階からなる。 収集段階では,NDIをオンラインの負のインスタンスから識別し,蒸留するプロセスをいくつか設計する。 評価段階において,抽出したNDIを用いて,新たな負のコントラスト学習機構と負のガイド付きインスタンス選択戦略を構築し,それぞれが部分支配と欠落するインスタンスの問題に対処する。 VOC 2007 や VOC 2012 や MS COCO などの公開ベンチマークによる実験結果から,本手法が良好な性能を発揮することが示された。

関連論文リスト

• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• Towards End-to-End Unsupervised Saliency Detection with Self-Supervised Top-Down Context [25.85453873366275]
  トップダウンコンテキストを介し、自己教師付きエンドツーエンドの有能なオブジェクト検出フレームワークを提案する。 最も深い特徴から自己ローカライゼーションを生かして位置マップを構築し,最も指導的なセグメンテーション指導を学習する。 提案手法は,近年のエンド・ツー・エンド手法と,多段階ソリューションの大部分において,先行的な性能を実現する。
  論文  参考訳（メタデータ） (2023-10-14T08:43:22Z)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• Benchmarking Deep Models for Salient Object Detection [67.07247772280212]
  汎用SALOD(General SALient Object Detection)ベンチマークを構築し,複数のSOD手法の総合的な比較を行った。 以上の実験では、既存の損失関数は、通常いくつかの指標に特化しているが、他の指標には劣る結果が報告されている。 我々は,深層ネットワークに画素レベルと画像レベルの両方の監視信号を統合することにより,より識別的な特徴を学習するためのエッジ・アウェア・ロス(EA)を提案する。
  論文  参考訳（メタデータ） (2022-02-07T03:43:16Z)
• Discovery-and-Selection: Towards Optimal Multiple Instance Learning for Weakly Supervised Object Detection [86.86602297364826]
  複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。 我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
  論文  参考訳（メタデータ） (2021-10-18T07:06:57Z)
• Multiple instance active learning for object detection [0.0]
  マルチインスタンスアクティブオブジェクト検出(MI-AOD)は、オブジェクト検出のためのインスタンスレベルのアクティブな学習方法である。 MI-AODは、未ラベルのイメージをインスタンスバッグとして扱い、イメージのアンカーをインスタンスとして扱う。 MI-AODは最先端の手法よりも優れたマージンを持つ。
  論文  参考訳（メタデータ） (2021-04-06T07:03:38Z)
• Distilling Knowledge from Refinement in Multiple Instance Detection Networks [0.0]
  弱教師付きオブジェクト検出(WSOD)は、ラベル付き画像カテゴリのみを監督として、オブジェクト検出の問題に取り組むことを目的としている。 そこで本研究では,各改良モジュールの監督期間中に,基幹クラス,背景,あるいは無視されるボックスの選択基準を動的に変更する適応型監視アグリゲーション機能を提案する。
  論文  参考訳（メタデータ） (2020-04-23T02:49:40Z)
• Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection [184.563345153682]
  我々は、弱教師付き学習のためのインスタンス認識とコンテキスト重視の統合フレームワークを開発する。 メモリ効率の高いシーケンシャルバッチバックプロパゲーションを考案しながら、インスタンス対応の自己学習アルゴリズムと学習可能なコンクリートドロップブロックを採用している。 提案手法はCOCO(12.1% AP$、24.8% AP_50$)、VOC 2007(54.9% AP$)、VOC 2012(52.1% AP$)の最先端結果である。
  論文  参考訳（メタデータ） (2020-04-09T17:57:09Z)

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。