Fugu-MT 論文翻訳(概要): Learning with Weak Annotations for Robust Maritime Obstacle Detection

論文の概要: Learning with Weak Annotations for Robust Maritime Obstacle Detection

arxiv url: http://arxiv.org/abs/2206.13263v1
Date: Mon, 27 Jun 2022 12:52:26 GMT
ステータス: 処理完了
システム内更新日: 2022-06-28 15:37:18.221378
Title: Learning with Weak Annotations for Robust Maritime Obstacle Detection
Title（参考訳）: ロバストな海上障害物検出のための弱アノテーションによる学習
Authors: Lojze \v{Z}ust and Matej Kristan
Abstract要約: 海上障害物検出は、自律船の安全な航行に不可欠である。このようなデータセットの1ピクセルあたりの真実ラベル付けは、労働集約的で高価である。セグメント化に基づく障害物検出ネットワークを学習するための新しい足場学習システム(SLR)を提案する。 SLRは弱いアノテーションから初期モデルを訓練し、セグメンテーションの擬似ラベルの再推定とネットワークパラメータの改善を交互に行う。
参考スコア（独自算出の注目度）: 10.773819584718648
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robust maritime obstacle detection is crucial for safe navigation of autonomous boats and timely collision avoidance. The current state-of-the-art is based on deep segmentation networks trained on large datasets. Per-pixel ground truth labeling of such datasets, however, is labor-intensive and expensive. We propose a new scaffolding learning regime (SLR), that leverages weak annotations consisting of water edge, horizon and obstacle bounding boxes to train segmentation-based obstacle detection networks, and thus reduces the required ground truth labelling effort by twenty-fold. SLR trains an initial model from weak annotations, then alternates between re-estimating the segmentation pseudo labels and improving the network parameters. Experiments show that maritime obstacle segmentation networks trained using SLR on weak labels not only match, but outperform the same networks trained with dense ground truth labels, which is a remarkable result. In addition to increased accuracy, SLR also increases domain generalization and can be used for domain adaptation with a low manual annotation load. The code and pre-trained models are available at https://github.com/lojzezust/SLR .
Abstract（参考訳）: 海上障害物検出は、自律船の安全な航行と時間的衝突回避に不可欠である。現在の最先端は、大規模なデータセットでトレーニングされたディープセグメンテーションネットワークに基づいている。しかし、そのようなデータセットの1ピクセルあたりの真実ラベル付けは、労働集約的で高価である。本研究では,分節に基づく障害物検出ネットワークを訓練するために,水辺,地平線,障害物境界ボックスからなる弱いアノテーションを活用した新しい足場学習手法(slr)を提案する。 SLRは弱いアノテーションから初期モデルを訓練し、セグメンテーションの擬似ラベルの再推定とネットワークパラメータの改善を交互に行う。実験により,SLRを弱いラベルで訓練した海上障害物セグメンテーションネットワークが一致しただけでなく,密度の高い真実ラベルで訓練したのと同じネットワークを上回る性能を示した。精度の向上に加えて、SLRはドメインの一般化も向上し、手動のアノテーション負荷の少ないドメイン適応にも利用できる。コードと事前トレーニングされたモデルはhttps://github.com/lojzezust/SLR で公開されている。

関連論文リスト

Weakly Supervised LiDAR Semantic Segmentation via Scatter Image Annotation [38.715754110667916]
画像アノテーションを用いたLiDARセマンティックセマンティックセマンティックセマンティクスを実装した。また、パフォーマンスギャップを減らすための3つの重要な戦略を含むネットワークであるScatterNetを提案する。本手法は,完全教師付き手法の95%以上の性能を達成するために,ラベル付き点の0.02%未満を必要とする。
論文参考訳（メタデータ） (2024-04-19T13:01:30Z)
SwiMDiff: Scene-wide Matching Contrastive Learning with Diffusion Constraint for Remote Sensing Image [21.596874679058327]
SwiMDiffは、リモートセンシング画像のための新しい自己教師付き事前トレーニングフレームワークである。ラベルを再分類し、同じシーンからのデータを偽陰性として認識する。対照的学習(CL)と拡散モデルとをシームレスに統合する。
論文参考訳（メタデータ） (2024-01-10T11:55:58Z)
2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic Segmentation [92.17700318483745]
合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。 IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
論文参考訳（メタデータ） (2023-11-27T07:57:29Z)
Histogram Layer Time Delay Neural Networks for Passive Sonar Classification [58.720142291102135]
時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
論文参考訳（メタデータ） (2023-07-25T19:47:26Z)
SemHint-MD: Learning from Noisy Semantic Labels for Self-Supervised Monocular Depth Estimation [19.229255297016635]
自己教師付き深度推定は、光度損失の勾配-局所性の問題により、局所的に最小限に抑えられる。セマンティックセグメンテーションを活用して、ネットワークを局所的な最小限から切り離すための奥行きを高めるためのフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-31T17:20:27Z)
Weakly Supervised Semantic Segmentation for Large-Scale Point Cloud [69.36717778451667]
大規模なポイントクラウドセマンティックセグメンテーションのための既存の方法は、高価な、退屈でエラーを起こしやすい手動のポイントワイドアノテーションを必要とする。この問題を解決するために,2つのコンポーネントを含む効果的な弱教師付き手法を提案する。実験結果から,既存の弱教師付き手法と完全教師付き手法を比較検討した。
論文参考訳（メタデータ） (2022-12-09T09:42:26Z)
STEdge: Self-training Edge Detection with Multi-layer Teaching and Regularization [15.579360385857129]
大規模未ラベル画像データセットの未使用富を活用した自己学習エッジ検出の課題について検討する。マルチレイヤの正規化と自己学習を併用した自己教師型フレームワークを設計する。本手法は,未確認のBIPEDデータセットを用いて,ODSが4.8%,OISが5.8%向上した。
論文参考訳（メタデータ） (2022-01-13T18:26:36Z)
Learning Maritime Obstacle Detection from Weak Annotations by Scaffolding [15.80122710743313]
沿岸の自律ボートは障害物検出と時間的衝突回避のための頑健な認識手法に依存している。このようなデータセットの1ピクセルあたりの真実ラベル付けは、労働集約的で高価である。このような弱いアノテーションからのみ障害検出セグメンテーションネットワークをトレーニングできる新しい足場学習システムを提案する。
論文参考訳（メタデータ） (2021-08-01T23:37:57Z)
Self-Damaging Contrastive Learning [92.34124578823977]
ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
論文参考訳（メタデータ） (2021-06-06T00:04:49Z)
Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文参考訳（メタデータ） (2020-11-19T05:42:02Z)
Object Tracking through Residual and Dense LSTMs [67.98948222599849]
LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
論文参考訳（メタデータ） (2020-06-22T08:20:17Z)

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。