論文の概要: Unbiased Teacher v2: Semi-supervised Object Detection for Anchor-free
and Anchor-based Detectors
- arxiv url: http://arxiv.org/abs/2206.09500v1
- Date: Sun, 19 Jun 2022 22:57:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-25 18:57:02.560703
- Title: Unbiased Teacher v2: Semi-supervised Object Detection for Anchor-free
and Anchor-based Detectors
- Title（参考訳）: 無バイアス教師v2:アンカーフリーおよびアンカーベース検出器のための半教師対象検出
- Authors: Yen-Cheng Liu, Chih-Yao Ma, Zsolt Kira
- Abstract要約: SS-OD法のアンカーフリー検出器への一般化を示すUnbiased Teacher v2を提案する。
また、教師なし回帰損失に対するListen2Student機構も導入する。
- 参考スコア（独自算出の注目度）: 35.41491696151547
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the recent development of Semi-Supervised Object Detection (SS-OD)
techniques, object detectors can be improved by using a limited amount of
labeled data and abundant unlabeled data. However, there are still two
challenges that are not addressed: (1) there is no prior SS-OD work on
anchor-free detectors, and (2) prior works are ineffective when pseudo-labeling
bounding box regression. In this paper, we present Unbiased Teacher v2, which
shows the generalization of SS-OD method to anchor-free detectors and also
introduces Listen2Student mechanism for the unsupervised regression loss.
Specifically, we first present a study examining the effectiveness of existing
SS-OD methods on anchor-free detectors and find that they achieve much lower
performance improvements under the semi-supervised setting. We also observe
that box selection with centerness and the localization-based labeling used in
anchor-free detectors cannot work well under the semi-supervised setting. On
the other hand, our Listen2Student mechanism explicitly prevents misleading
pseudo-labels in the training of bounding box regression; we specifically
develop a novel pseudo-labeling selection mechanism based on the Teacher and
Student's relative uncertainties. This idea contributes to favorable
improvement in the regression branch in the semi-supervised setting. Our
method, which works for both anchor-free and anchor-based methods, consistently
performs favorably against the state-of-the-art methods in VOC, COCO-standard,
and COCO-additional.
- Abstract（参考訳）: 近年,Semi-Supervised Object Detection (SS-OD)技術が開発され,ラベル付きデータと豊富なラベル付きデータを用いることで,オブジェクト検出の改善が可能となった。
しかし,(1) アンカーフリー検出器に先行するSS-ODが存在しないこと,(2) 擬ラベル境界ボックスの回帰に先行する処理が有効でないこと,の2つの課題がまだ解決されていない。
本稿では,アンカーレス検出器に対するSS-OD法の一般化を示すUnbiased Teacher v2と,教師なし回帰損失に対するListen2Student機構を提案する。
具体的には, 既存のSS-OD法をアンカーフリー検出器に適用し, 半教師付き環境下での性能改善を実現していることを示す。
また,アンカーフリー検出器では,センタネスを用いたボックス選択やローカライズベースのラベリングは,半教師あり設定ではうまく動作しないことがわかった。
一方,我々のListen2Studentメカニズムは,有界ボックス回帰訓練における疑似ラベルの誤解を防ぎ,教師と学生の相対的不確実性に基づく新しい擬似ラベル選択機構を特に開発する。
このアイデアは、半教師付き設定における回帰分岐の改善に寄与する。
提案手法は, アンカーフリー法とアンカーベース法の両方で有効であり, VOC, COCO標準法およびCOCO付加法における最先端手法に対して, 常に良好に機能する。
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) - 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) - Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析
本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。
我々の手法は、最先端の手法をクリアマージンで上回る。
論文 参考訳（メタデータ） (2023-07-16T16:32:14Z) - Revisiting Class Imbalance for End-to-end Semi-Supervised Object
Detection [1.6249267147413524]
半教師付きオブジェクト検出(SSOD)は、擬似ラベルに基づくエンドツーエンド手法の開発において大きな進歩を遂げている。
多くの手法は、擬似ラベルジェネレータの有効性を妨げるクラス不均衡のため、課題に直面している。
本稿では,低品質な擬似ラベルの根本原因と,ラベル生成品質を改善するための新しい学習メカニズムについて検討する。
論文 参考訳（メタデータ） (2023-06-04T06:01:53Z) - Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。
擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。
ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
論文 参考訳（メタデータ） (2023-03-27T07:46:58Z) - Open-Set Semi-Supervised Object Detection [43.464223594166654]
近年,Semi-Supervised Object Detection (SSOD) の開発が進められている。
我々は、より実用的で難しい問題、OSSOD(Open-Set Semi-Supervised Object Detection)を考える。
提案フレームワークはセマンティック拡張問題に効果的に対処し,OSSODベンチマークにおける一貫した改善を示す。
論文 参考訳（メタデータ） (2022-08-29T17:04:30Z) - W2N:Switching From Weak Supervision to Noisy Supervision for Object
Detection [64.10643170523414]
弱い監督からうるさい監督(W2N)に切り替える新しいパラダイムを持つ新しいWSODフレームワークを提案する。
ローカライズ適応モジュールでは、元の擬似接地構造における識別部分の割合を減らすために正規化損失を提案する。
我々のW2Nは、既存の純粋なWSODメソッドや転送学習メソッドよりも優れています。
論文 参考訳（メタデータ） (2022-07-25T12:13:48Z) - Mind the Gap: Polishing Pseudo labels for Accurate Semi-supervised
Object Detection [18.274860417877093]
半教師対象検出(SSOD)のための二重擬似ラベル研磨フレームワークを提案する。
教師検出器が生成する擬似ラベルを直接利用するのではなく, 地平からの逸脱を減らすための最初の試みを行う。
これにより、どちらの研磨ネットワークも、アノテーションのないオブジェクトに対してより正確な擬似ラベルを推測することができる。
論文 参考訳（メタデータ） (2022-07-17T14:07:49Z) - Mitigating the Mutual Error Amplification for Semi-Supervised Object
Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。
他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文 参考訳（メタデータ） (2022-01-26T03:34:57Z)
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。