論文の概要: Improving Localization for Semi-Supervised Object Detection

• arxiv url: http://arxiv.org/abs/2206.10186v1
• Date: Tue, 21 Jun 2022 08:39:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-23 03:32:46.749565
• Title: Improving Localization for Semi-Supervised Object Detection
• Title（参考訳）: 半教師付き物体検出のための局所化の改善
• Authors: Leonardo Rossi, Akbar Karimi, Andrea Prati
• Abstract要約: 予測された有界ボックスのフィルタリングを改善するために,有界ボックスのローカライゼーションのための追加の分類タスクを導入する。 我々のIL-netは制限付きアノテーション方式でデータセット上でSSOD性能を1.14%向上させることを示した。
• 参考スコア（独自算出の注目度）: 3.5493798890908104
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Nowadays, Semi-Supervised Object Detection (SSOD) is a hot topic, since, while it is rather easy to collect images for creating a new dataset, labeling them is still an expensive and time-consuming task. One of the successful methods to take advantage of raw images on a Semi-Supervised Learning (SSL) setting is the Mean Teacher technique, where the operations of pseudo-labeling by the Teacher and the Knowledge Transfer from the Student to the Teacher take place simultaneously. However, the pseudo-labeling by thresholding is not the best solution since the confidence value is not strictly related to the prediction uncertainty, not permitting to safely filter predictions. In this paper, we introduce an additional classification task for bounding box localization to improve the filtering of the predicted bounding boxes and obtain higher quality on Student training. Furthermore, we empirically prove that bounding box regression on the unsupervised part can equally contribute to the training as much as category classification. Our experiments show that our IL-net (Improving Localization net) increases SSOD performance by 1.14% AP on COCO dataset in limited-annotation regime. The code is available at https://github.com/IMPLabUniPr/unbiased-teacher/tree/ilnet
• Abstract（参考訳）: 現在、Semi-Supervised Object Detection (SSOD)はホットなトピックである。なぜなら、新しいデータセットを作成するためのイメージの収集は比較的容易であるが、ラベル付けは高価で時間を要する作業である。 半教師学習(SSL)環境における生画像の活用に成功している手法の1つは,教師による擬似ラベリングと,教師から教師への知識伝達を同時に行う平均教師技法である。 しかし,信頼値は予測の不確実性に厳密に関係せず,予測を安全にフィルタすることはできないため,しきい値による擬似ラベルは最適ではない。 本稿では,予測境界ボックスのフィルタリングを改善し,より高品質な学生教育を実現するために,ボックスローカライゼーションのための追加の分類タスクを提案する。 さらに,教師なし部分のバウンディングボックス回帰が,カテゴリー分類と同様にトレーニングに等しく寄与できることを実証的に証明する。 我々のIL-net(Improving Localization net)は,COCOデータセット上でのSSOD性能を1.14%向上することを示した。 コードはhttps://github.com/IMPLabUniPr/unbiased-teacher/tree/ilnetで入手できる。

関連論文リスト

• Context Matters: Leveraging Spatiotemporal Metadata for Semi-Supervised Learning on Remote Sensing Images [2.518656729567209]
  現在のアプローチでは、未ラベルサンプルのモデル予測から擬似ラベルを生成する。 擬似ラベルの品質向上のために,SSLにおける時空間情報の利用を提案する。 テスト時に予測器の入力に利用可能なメタデータを追加すると、トレーニングセットの時間分布外のメタデータの予測品質が劣化することを示す。
  論文  参考訳（メタデータ） (2024-04-29T10:47:37Z)
• Cyclic-Bootstrap Labeling for Weakly Supervised Object Detection [134.05510658882278]
  Cyclic-Bootstrap Labeling (CBL) は、弱制御されたオブジェクト検出パイプラインである。 様々な改良モジュールを活用するために、重み付けされた指数移動平均戦略を使用する。 重み付きアンサンブル型教師ネットワークの出力を活用するために, クラス別ランキング蒸留アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-11T07:57:17Z)
• Hierarchical Supervision and Shuffle Data Augmentation for 3D Semi-Supervised Object Detection [90.32180043449263]
  最先端の3Dオブジェクト検出器は通常、高品質な3Dアノテーションを備えた大規模データセットで訓練される。 自然な治療法は、限られた量のラベル付きサンプルと豊富なラベル付きサンプルを活用することで、半教師付き学習(SSL)を採用することである。 本稿では,HSSDA(Hierarchical Supervision and Shuffle Data Augmentation)の新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2023-04-04T02:09:32Z)
• Adaptive Self-Training for Object Detection [13.07105239116411]
  オブジェクト検出のための自己評価手法(ASTOD)を提案する。 ASTODはスコアヒストグラムの基底値に基づいて閾値を決定する。 擬似ラベル付けの段階では, ラベル付き画像の異なるビューを用いて, 誤り予測の回数を減らす。
  論文  参考訳（メタデータ） (2022-12-07T15:10:40Z)
• 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)
• Label Matching Semi-Supervised Object Detection [85.99282969977541]
  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。
  論文  参考訳（メタデータ） (2022-06-14T05:59:41Z)
• Boosting Weakly Supervised Object Detection via Learning Bounding Box Adjusters [76.36104006511684]
  高価なインスタンスレベルのオブジェクトアノテーションを避けるため、WSOD(Weakly-supervised Object Detection)が最近の話題として登場した。 我々は、よく注釈付けされた補助データセットからバウンディングボックス回帰知識を活用することにより、ローカライズ性能を向上させるための問題設定を擁護する。 提案手法は,WSOD法と知識伝達モデルに対して,同様の問題設定で良好に機能する。
  論文  参考訳（メタデータ） (2021-08-03T13:38:20Z)
• Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
  SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。 学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T17:02:57Z)
• Iterative label cleaning for transductive and semi-supervised few-shot learning [16.627512688664513]
  少ないショットの学習は、新しいタスクが監督とデータの両方を限定して解決されるような、表現の学習と知識の獲得に相当します。 ラベル付きおよびラベルなしデータ分布の多様体構造を利用して擬似ラベルを予測するアルゴリズムを提案する。 私たちのソリューションは、4つのベンチマークデータセットのアート結果の状態を上回るか、一致します。
  論文  参考訳（メタデータ） (2020-12-14T21:54:11Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Task-Adaptive Clustering for Semi-Supervised Few-Shot Classification [23.913195015484696]
  未確認のタスクを、少量の新しいトレーニングデータだけで処理することを目的としている。 しかし、数ショットの学習者が準備(メタトレーニング)する際には、大量のラベル付きデータが必要である。 そこで本研究では,トレーニングデータの大部分がラベル付けされていない半教師付き環境下で動作可能な,数発の学習者を提案する。
  論文  参考訳（メタデータ） (2020-03-18T13:50:19Z)

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。