Fugu-MT 論文翻訳(概要): Automatic Bounding Box Annotation with Small Training Data Sets for Industrial Manufacturing

論文の概要: Automatic Bounding Box Annotation with Small Training Data Sets for Industrial Manufacturing

arxiv url: http://arxiv.org/abs/2206.00280v1
Date: Wed, 1 Jun 2022 07:32:32 GMT
ステータス: 処理完了
システム内更新日: 2022-06-03 01:01:28.547374
Title: Automatic Bounding Box Annotation with Small Training Data Sets for Industrial Manufacturing
Title（参考訳）: 工業生産のための小規模訓練データセットを用いた自動境界ボックスアノテーション
Authors: Manuela Gei{\ss}, Raphael Wagner, Martin Baresch, Josef Steiner, Michael Zwick
Abstract要約: 本稿では,自動バウンディングボックスアノテーションのタスクに対して,最先端のオブジェクト検出手法を適用する方法について論じる。未知の物体を、少量のトレーニングデータのみを用いて、複雑だが均質な背景から区別するように訓練できることが示される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the past few years, object detection has attracted a lot of attention in the context of human-robot collaboration and Industry 5.0 due to enormous quality improvements in deep learning technologies. In many applications, object detection models have to be able to quickly adapt to a changing environment, i.e., to learn new objects. A crucial but challenging prerequisite for this is the automatic generation of new training data which currently still limits the broad application of object detection methods in industrial manufacturing. In this work, we discuss how to adapt state-of-the-art object detection methods for the task of automatic bounding box annotation for the use case where the background is homogeneous and the object's label is provided by a human. We compare an adapted version of Faster R-CNN and the Scaled Yolov4-p5 architecture and show that both can be trained to distinguish unknown objects from a complex but homogeneous background using only a small amount of training data.
Abstract（参考訳）: 近年,ディープラーニング技術の大幅な品質向上により,人間とロボットのコラボレーションや産業5.0の文脈でオブジェクト検出が注目されている。多くのアプリケーションにおいて、オブジェクト検出モデルは変化する環境、すなわち新しいオブジェクトの学習に迅速に適応できなければならない。決定的かつ困難な前提条件は、新しいトレーニングデータの自動生成であり、現在なお、工業生産におけるオブジェクト検出手法の幅広い適用を制限している。本稿では、背景が均質でオブジェクトのラベルが人間によって提供されるユースケースに対して、自動バウンディングボックスアノテーションのタスクに最先端のオブジェクト検出手法を適用する方法について論じる。我々は、Faster R-CNNの適応バージョンとScaled Yolov4-p5アーキテクチャを比較し、少量のトレーニングデータだけで、未知のオブジェクトと複雑だが均質な背景を区別する訓練を行えることを示す。

関連論文リスト

Exploiting Unlabeled Data with Multiple Expert Teachers for Open Vocabulary Aerial Object Detection and Its Orientation Adaptation [58.37525311718006]
OVAD(Open-vocabulary Aero Object Detection)という,航空物体検出問題の新しい定式化を行った。本稿では,CLIP-activated students-Teacher DetectionフレームワークであるCastDetを提案する。本フレームワークは,ロバストなローカライズ教師といくつかのボックス選択戦略を統合し,新しいオブジェクトの高品質な提案を生成する。
論文参考訳（メタデータ） (2024-11-04T12:59:13Z)
Find n' Propagate: Open-Vocabulary 3D Object Detection in Urban Environments [67.83787474506073]
我々は,現在のLiDARに基づく3Dオブジェクト検出システムの限界に対処する。本稿では,3次元OVタスクに対する汎用textscFind n' Propagate アプローチを提案する。我々は、新しいオブジェクトクラスに対する平均精度(AP)を最大3.97倍に向上させる。
論文参考訳（メタデータ） (2024-03-20T12:51:30Z)
Transfer learning with generative models for object detection on limited datasets [1.4999444543328293]
海洋生物学などいくつかの分野では、各物体の周囲に有界箱を正しくラベル付けする必要がある。本稿では,一般的なシナリオに有効な伝達学習フレームワークを提案する。我々の研究結果は、さまざまな分野における機械学習アプリケーションのための、新しい生成AIベースのプロトコルの道を開くものである。
論文参考訳（メタデータ） (2024-02-09T21:17:31Z)
Spatial Reasoning for Few-Shot Object Detection [21.3564383157159]
本稿では,空間的推論フレームワークを提案する。グラフ畳み込みネットワークをRoIとその関連性はそれぞれノードとエッジとして定義する。提案手法は最先端の手法を著しく上回り, 広範囲なアブレーション研究により有効性を検証する。
論文参考訳（メタデータ） (2022-11-02T12:38:08Z)
A Multi Camera Unsupervised Domain Adaptation Pipeline for Object Detection in Cultural Sites through Adversarial Learning and Self-Training [23.186208885878926]
本稿では,対象検出のためのドメイン適応の問題を研究するために,文化的な場所で収集された新しいデータセットを提案する。本稿では,現在の最先端手法よりも優れたドメイン適応手法を提案する。
論文参考訳（メタデータ） (2022-10-03T10:40:58Z)
Scaling Novel Object Detection with Weakly Supervised Detection Transformers [21.219817483091166]
Weakly Supervised Detection Transformerを提案する。これは大規模な事前学習データセットからWSODファインタニングへの効率的な知識伝達を可能にする。提案手法は, 大規模オブジェクト検出データセットにおいて, 従来の最先端モデルよりも優れていることを示す。
論文参考訳（メタデータ） (2022-07-11T21:45:54Z)
Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文参考訳（メタデータ） (2021-04-05T14:15:49Z)
Scale-aware Automatic Augmentation for Object Detection [63.087930708444695]
オブジェクト検出のためのデータ拡張ポリシーを学ぶために,Scale-aware AutoAugを提案する。実験では、Scale-aware AutoAugはさまざまな物体検出器に有意で一貫した改善をもたらす。
論文参考訳（メタデータ） (2021-03-31T17:11:14Z)
Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
論文参考訳（メタデータ） (2021-03-25T22:34:16Z)
Supervised Training of Dense Object Nets using Optimal Descriptors for Industrial Robotic Applications [57.87136703404356]
Florence、Manuelli、TedrakeによるDense Object Nets(DON)は、ロボットコミュニティのための新しいビジュアルオブジェクト表現として高密度オブジェクト記述子を導入した。本稿では, 物体の3次元モデルを考えると, 記述子空間画像を生成することができ, DON の教師付きトレーニングが可能であることを示す。産業用物体の6次元グリップ生成のためのトレーニング手法を比較し,新しい教師付きトレーニング手法により,産業関連タスクのピック・アンド・プレイス性能が向上することを示す。
論文参考訳（メタデータ） (2021-02-16T11:40:12Z)
Co-training for On-board Deep Object Detection [0.0]
人間のラベル付きバウンディングボックスを頼りにすることにより、最高のディープビジョンベースのオブジェクト検出器を教師付きで訓練する。共同学習は、未ラベル画像における自己ラベルオブジェクトの半教師付き学習手法である。我々は、協調学習がオブジェクトのラベル付けを緩和し、タスクに依存しないドメイン適応と単独で作業するためのパラダイムであることを示す。
論文参考訳（メタデータ） (2020-08-12T19:08:59Z)

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。