論文の概要: Mind the Gap: Polishing Pseudo labels for Accurate Semi-supervised
Object Detection
- arxiv url: http://arxiv.org/abs/2207.08185v1
- Date: Sun, 17 Jul 2022 14:07:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 17:22:02.756743
- Title: Mind the Gap: Polishing Pseudo labels for Accurate Semi-supervised
Object Detection
- Title(参考訳): Mind the Gap: 精密半教師対象検出のための擬似ラベルのポーリング
- Authors: Lei Zhang, Yuxuan Sun, Wei Wei
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 18.274860417877093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Exploiting pseudo labels (e.g., categories and bounding boxes) of unannotated
objects produced by a teacher detector have underpinned much of recent progress
in semi-supervised object detection (SSOD). However, due to the limited
generalization capacity of the teacher detector caused by the scarce
annotations, the produced pseudo labels often deviate from ground truth,
especially those with relatively low classification confidences, thus limiting
the generalization performance of SSOD. To mitigate this problem, we propose a
dual pseudo-label polishing framework for SSOD. Instead of directly exploiting
the pseudo labels produced by the teacher detector, we take the first attempt
at reducing their deviation from ground truth using dual polishing learning,
where two differently structured polishing networks are elaborately developed
and trained using synthesized paired pseudo labels and the corresponding ground
truth for categories and bounding boxes on the given annotated objects,
respectively. By doing this, both polishing networks can infer more accurate
pseudo labels for unannotated objects through sufficiently exploiting their
context knowledge based on the initially produced pseudo labels, and thus
improve the generalization performance of SSOD. Moreover, such a scheme can be
seamlessly plugged into the existing SSOD framework for joint end-to-end
learning. In addition, we propose to disentangle the polished pseudo categories
and bounding boxes of unannotated objects for separate category classification
and bounding box regression in SSOD, which enables introducing more unannotated
objects during model training and thus further improve the performance.
Experiments on both PASCAL VOC and MS COCO benchmarks demonstrate the
superiority of the proposed method over existing state-of-the-art baselines.
- Abstract(参考訳): 教師検出器によって生成された無注釈物体の擬似ラベル(例えばカテゴリと境界ボックス)の爆発は、半教師対象検出(SSOD)の最近の進歩の多くを支えている。
しかし、アノテーション不足による教師検出器の一般化能力の制限により、生成した擬似ラベルは、特に分類信頼度が比較的低いものから逸脱することが多く、SSODの一般化性能が制限される。
この問題を軽減するため,我々はssodのデュアル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活用する代わりに、2つの異なる構成された研磨ネットワークを合成された擬似ラベルと、与えられた注釈付きオブジェクトのカテゴリとバウンドボックスに対して対応する基底真理を用いて精巧に開発・訓練する双対研磨学習を用いて、基底真理からの逸脱を減少させる最初の試みを行う。
これにより、初期生成した擬似ラベルに基づいて文脈知識を十分に活用し、より正確な無意味オブジェクトの擬似ラベルを推測し、SSODの一般化性能を向上させることができる。
さらに、このようなスキームを既存のssodフレームワークにシームレスにプラグインして、エンドツーエンド学習を組み合わせることもできる。
さらに,ssodにおける分類分類と境界ボックス回帰を分離するために,非注釈オブジェクトの磨き出された擬似カテゴリと境界ボックスを分離し,モデルトレーニング中により無注釈オブジェクトを導入することにより,さらに性能を向上させることを提案する。
PASCAL VOCとMS COCOのベンチマーク実験は、既存の最先端ベースラインよりも提案手法の方が優れていることを示した。
関連論文リスト
- 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) - 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) - 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) - 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) - Unbiased Teacher v2: Semi-supervised Object Detection for Anchor-free
and Anchor-based Detectors [35.41491696151547]
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。
論文 参考訳(メタデータ) (2022-06-19T22:57:48Z) - SIOD: Single Instance Annotated Per Category Per Image for Object
Detection [67.64774488115299]
画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。
WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。
SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
論文 参考訳(メタデータ) (2022-03-29T08:49:51Z) - Refining Pseudo Labels with Clustering Consensus over Generations for
Unsupervised Object Re-identification [84.72303377833732]
教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。
本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。
提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
論文 参考訳(メタデータ) (2021-06-11T02:42:42Z) - Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。
我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。
提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文 参考訳(メタデータ) (2021-06-01T01:32:03Z)
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。