論文の概要: Online progressive instance-balanced sampling for weakly supervised object detection

• arxiv url: http://arxiv.org/abs/2206.10324v1
• Date: Tue, 21 Jun 2022 12:48:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 16:51:59.125122
• Title: Online progressive instance-balanced sampling for weakly supervised object detection
• Title（参考訳）: 弱教師付き物体検出のためのオンラインプログレッシブインスタンスバランスサンプリング
• Authors: M. Chen, Y. Tian, Z. Li, E. Li and Z. Liang
• Abstract要約: 本稿では、ハードサンプリングとソフトサンプリングに基づくオンラインプログレッシブインスタンスバランスサンプリング(OPIS)アルゴリズムを提案する。 提案手法は,既存の多くの最先端結果に匹敵するベースラインを著しく改善することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Based on multiple instance detection networks (MIDN), plenty of works have contributed tremendous efforts to weakly supervised object detection (WSOD). However, most methods neglect the fact that the overwhelming negative instances exist in each image during the training phase, which would mislead the training and make the network fall into local minima. To tackle this problem, an online progressive instance-balanced sampling (OPIS) algorithm based on hard sampling and soft sampling is proposed in this paper. The algorithm includes two modules: a progressive instance balance (PIB) module and a progressive instance reweighting (PIR) module. The PIB module combining random sampling and IoU-balanced sampling progressively mines hard negative instances while balancing positive instances and negative instances. The PIR module further utilizes classifier scores and IoUs of adjacent refinements to reweight the weights of positive instances for making the network focus on positive instances. Extensive experimental results on the PASCAL VOC 2007 and 2012 datasets demonstrate the proposed method can significantly improve the baseline, which is also comparable to many existing state-of-the-art results. In addition, compared to the baseline, the proposed method requires no extra network parameters and the supplementary training overheads are small, which could be easily integrated into other methods based on the instance classifier refinement paradigm.
• Abstract（参考訳）: 複数のインスタンス検出ネットワーク(MIDN)に基づいて、多くの研究が、弱い教師付きオブジェクト検出(WSOD)に多大な貢献をしている。 しかし、ほとんどの手法は、トレーニングフェーズ中に各画像に圧倒的な負のインスタンスが存在するという事実を無視し、トレーニングを誤解させ、ネットワークをローカルなミニマに陥らせる。 この問題に対処するために,ハードサンプリングとソフトサンプリングに基づくオンラインプログレッシブ・インスタンスバランスサンプリング(OPIS)アルゴリズムを提案する。 このアルゴリズムには、プログレッシブインスタンスバランス(PIB)モジュールとプログレッシブインスタンスリウェイト(PIR)モジュールの2つのモジュールが含まれている。 ランダムサンプリングとIoUバランスサンプリングを組み合わせたPIBモジュールは、正のインスタンスと負のインスタンスのバランスを保ちながら、強負のインスタンスを徐々にマイニングする。 pirモジュールはさらに、分類器スコアと隣接する改良点を活用し、ポジティブなインスタンスの重み付けを重み付けし、ネットワークをポジティブなインスタンスに集中させる。 PASCAL VOC 2007 と 2012 のデータセットによる大規模な実験結果から,提案手法がベースラインを大幅に改善できることが示された。 さらに,提案手法はベースラインと比較した場合,ネットワークパラメータの追加を必要とせず,補足的なトレーニングオーバーヘッドも小さく,インスタンス分類器改良パラダイムに基づいた他の手法と容易に統合できる。

関連論文リスト

• cDP-MIL: Robust Multiple Instance Learning via Cascaded Dirichlet Process [23.266122629592807]
  マルチプル・インスタンス・ラーニング (MIL) は全スライス・ヒストパラメトリック・イメージ (WSI) 解析に広く応用されている。 MILの既存の集約戦略は、主にインスタンス間の一階距離に依存するが、各インスタンスの真の特徴分布を正確に近似することができない。 本稿では、複数のインスタンス学習のための新しいベイズ非パラメトリックフレームワークを提案し、WSIのインスタンス・ツー・バッグ特性を組み込むためにディリクレ・プロセスのカスケード(cDP)を採用する。
  論文  参考訳（メタデータ） (2024-07-16T07:28:39Z)
• Collapsed Inference for Bayesian Deep Learning [36.1725075097107]
  本稿では,崩壊サンプルを用いたベイズモデル平均化を行う新しい崩壊予測手法を提案する。 崩壊したサンプルは、近似後部から引き出された数え切れないほど多くのモデルを表す。 提案手法は, スケーラビリティと精度のバランスをとる。
  論文  参考訳（メタデータ） (2023-06-16T08:34:42Z)
• EARL: An Elliptical Distribution aided Adaptive Rotation Label Assignment for Oriented Object Detection in Remote Sensing Images [22.963695067213084]
  アダプティブ・ローテーション・ラベル・アサインメント (EARL) は、アンカーフリー検出器において、高品質な正のサンプルを適応的に選択するために提案される。 本稿では,ターゲットの規模に応じて多レベル特徴写像の中から適応的にサンプルを選択するために,適応型スケールサンプリング(ADS)戦略を提案する。 さらに, 動的楕円分布支援サンプリング (DED) 戦略を提案し, 試料分布をより柔軟にし, ターゲットの形状や配向に適合させる。
  論文  参考訳（メタデータ） (2023-01-14T08:32:16Z)
• Learning to Re-weight Examples with Optimal Transport for Imbalanced Classification [74.62203971625173]
  不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。 不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。 本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:23:54Z)
• Balancing Bias and Variance for Active Weakly Supervised Learning [9.145168943972067]
  現代のマルチインスタンス学習(MIL)モデルは、バッグレベルでの競争性能を達成する。 しかし、多くの重要なアプリケーションに欠かせないインスタンスレベルの予測は不十分である。 本稿では,インスタンスレベルの予測を促進することを目的とした,新しいディープサブセットを提案する。 複数の実世界のデータセット上で実施された実験は、最先端のインスタンスレベルの予測をはっきりと示している。
  論文  参考訳（メタデータ） (2022-06-12T07:15:35Z)
• A Practical Contrastive Learning Framework for Single-Image Super-Resolution [51.422185656787285]
  コントラスト学習に基づく単一画像の超解像を2つの視点から検討する。 SISR のための実践的コントラスト学習フレームワーク PCL-SR を提案する。 既存のベンチマーク手法と比較して,提案手法をPCL-SRフレームワークで再学習し,優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-11-27T15:42:12Z)
• Towards Overcoming False Positives in Visual Relationship Detection [95.15011997876606]
  視覚的関係検出(VRD)における偽陽性率の高い原因について検討する。 本稿では,偽陽性の影響を軽減する堅牢なVRDフレームワークとして,Spatially-Aware Balanced negative pRoposal sAmpling(SABRA)を提案する。
  論文  参考訳（メタデータ） (2020-12-23T06:28:00Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)
• Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
  Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
  論文  参考訳（メタデータ） (2020-07-18T09:48:29Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)

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。