論文の概要: Label Matching Semi-Supervised Object Detection

• arxiv url: http://arxiv.org/abs/2206.06608v1
• Date: Tue, 14 Jun 2022 05:59:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-15 14:32:41.187034
• Title: Label Matching Semi-Supervised Object Detection
• Title（参考訳）: 半教師付き物体検出のラベルマッチング
• Authors: Binbin Chen, Weijie Chen, Shicai Yang, Yunyi Xuan, Jie Song, Di Xie, Shiliang Pu, Mingli Song, Yueting Zhuang
• Abstract要約: 半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。 本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 85.99282969977541
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised object detection has made significant progress with the development of mean teacher driven self-training. Despite the promising results, the label mismatch problem is not yet fully explored in the previous works, leading to severe confirmation bias during self-training. In this paper, we delve into this problem and propose a simple yet effective LabelMatch framework from two different yet complementary perspectives, i.e., distribution-level and instance-level. For the former one, it is reasonable to approximate the class distribution of the unlabeled data from that of the labeled data according to Monte Carlo Sampling. Guided by this weakly supervision cue, we introduce a re-distribution mean teacher, which leverages adaptive label-distribution-aware confidence thresholds to generate unbiased pseudo labels to drive student learning. For the latter one, there exists an overlooked label assignment ambiguity problem across teacher-student models. To remedy this issue, we present a novel label assignment mechanism for self-training framework, namely proposal self-assignment, which injects the proposals from student into teacher and generates accurate pseudo labels to match each proposal in the student model accordingly. Experiments on both MS-COCO and PASCAL-VOC datasets demonstrate the considerable superiority of our proposed framework to other state-of-the-arts. Code will be available at https://github.com/hikvision-research/SSOD.
• Abstract（参考訳）: 半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 有望な結果にもかかわらず、ラベルミスマッチ問題は以前の研究でまだ完全に解明されておらず、自己学習中に重大な確証バイアスが生じる。 本稿では,この問題を考察し,分散レベルとインスタンスレベルという2つの異なる相補的視点から,単純かつ効果的なラベルマッチングフレームワークを提案する。 前者にとって、モンテカルロ・サンプリングによれば、ラベル付きデータからラベル付きデータのクラス分布を近似するのは妥当である。 この弱監督的傾向に導かれ,適応型ラベル分布認識信頼しきい値を利用して,学生の学習を促進するための疑似ラベルを生成する,再分配平均教師を導入する。 後者の場合、教師-学生モデルにまたがるラベル割り当ての曖昧さの問題が見過ごされている。 この問題を解決するために,学生から教師に提案を注入し,学生モデルにおける提案と一致する正確な擬似ラベルを生成する,自己学習フレームワークのための新しいラベル割り当て機構を提案する。 MS-COCOとPASCAL-VOCのデータセットによる実験は、提案したフレームワークが他の最先端技術よりもかなり優れていることを示す。 コードはhttps://github.com/hikvision-research/SSOD.comから入手できる。

関連論文リスト

• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Improving the Robustness of Distantly-Supervised Named Entity Recognition via Uncertainty-Aware Teacher Learning and Student-Student Collaborative Learning [24.733773208117363]
  自己学習段階における偽ラベルの誤りを減らすために,不確かさを意識した教師学習を提案する。 また、2つの学生ネットワーク間で信頼性の高いラベルを転送できる学生・学生協調学習を提案する。 提案手法を5つのDS-NERデータセット上で評価し,提案手法が最先端のDS-NER手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-14T09:09:58Z)
• 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)
• Semi-Supervised Semantic Segmentation via Gentle Teaching Assistant [72.4512562104361]
  擬似ラベル付きラベル付きラベル付きデータは,特徴抽出器における代表的特徴の学習を容易にすることができると論じる。 そこで本研究では,擬似ラベルが特徴抽出器やマスク予測器に与える影響を解消する新しい枠組みであるジェントル指導アシスタント(GTA-Seg)を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:11:24Z)
• 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)
• Semi-Supervised Object Detection with Object-wise Contrastive Learning and Regression Uncertainty [46.21528260727673]
  そこで本研究では,教師学習フレームワークにおける2段階の擬似ラベルフィルタリング手法を提案する。 学生ネットワークは、分類および回帰ヘッドのための擬似ラベルを共同フィルタリングすることにより、教師ネットワークからオブジェクト検出タスクのためのより良い指導を受ける。
  論文  参考訳（メタデータ） (2022-12-06T04:37:51Z)

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。