論文の概要: Object Discovery via Contrastive Learning for Weakly Supervised Object Detection

• arxiv url: http://arxiv.org/abs/2208.07576v1
• Date: Tue, 16 Aug 2022 07:36:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-17 12:29:39.333137
• Title: Object Discovery via Contrastive Learning for Weakly Supervised Object Detection
• Title（参考訳）: 弱教師付き物体検出のためのコントラスト学習による物体発見
• Authors: Jinhwan Seo, Wonho Bae, Danica J. Sutherland, Junhyug Noh, Daijin Kim
• Abstract要約: Weakly Supervised Object Detectionは、画像レベルのアノテーションのみに基づいてトレーニングされたモデルを使用して、画像内のオブジェクトを検出するタスクである。 本稿では,オブジェクト発見と呼ばれる新しい複数インスタンスラベリング手法を提案する。 我々は,MS-COCO 2014 と 2017 と PASCAL VOC 2012 と,PASCAL VOC 2007 の競争結果を得た。
• 参考スコア（独自算出の注目度）: 12.822548027334328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly Supervised Object Detection (WSOD) is a task that detects objects in an image using a model trained only on image-level annotations. Current state-of-the-art models benefit from self-supervised instance-level supervision, but since weak supervision does not include count or location information, the most common ``argmax'' labeling method often ignores many instances of objects. To alleviate this issue, we propose a novel multiple instance labeling method called object discovery. We further introduce a new contrastive loss under weak supervision where no instance-level information is available for sampling, called weakly supervised contrastive loss (WSCL). WSCL aims to construct a credible similarity threshold for object discovery by leveraging consistent features for embedding vectors in the same class. As a result, we achieve new state-of-the-art results on MS-COCO 2014 and 2017 as well as PASCAL VOC 2012, and competitive results on PASCAL VOC 2007.
• Abstract（参考訳）: Weakly Supervised Object Detection (WSOD)は、画像レベルのアノテーションのみに基づいてトレーニングされたモデルを使用して、画像内のオブジェクトを検出するタスクである。 現在の最先端モデルは、自己監督されたインスタンスレベルの監視の恩恵を受けるが、弱い監視にはカウントや位置情報が含まれていないため、最も一般的な `argmax'' ラベル法は、オブジェクトの多くのインスタンスを無視することが多い。 この問題を軽減するために,オブジェクト発見と呼ばれる新しい複数インスタンスラベリング手法を提案する。 さらに,弱教師付きコントラスト損失(weakly supervised contrastive loss,wscl)と呼ばれる,サンプルのインスタンスレベル情報がない弱監督下での新しいコントラスト損失を導入する。 WSCLは、同じクラスにベクトルを埋め込むための一貫した機能を活用することで、オブジェクト発見のための信頼できる類似性しきい値を構築することを目的としています。 その結果,MS-COCO 2014 と 2017 と PASCAL VOC 2012 と PASCAL VOC 2007 の競争結果が得られた。

関連論文リスト

• Exploiting Unlabeled Data with Multiple Expert Teachers for Open Vocabulary Aerial Object Detection and Its Orientation Adaptation [58.37525311718006]
  OVAD(Open-vocabulary Aero Object Detection)という,航空物体検出問題の新しい定式化を行った。 本稿では,CLIP-activated students-Teacher DetectionフレームワークであるCastDetを提案する。 本フレームワークは,ロバストなローカライズ教師といくつかのボックス選択戦略を統合し,新しいオブジェクトの高品質な提案を生成する。
  論文  参考訳（メタデータ） (2024-11-04T12:59:13Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• Synthesizing the Unseen for Zero-shot Object Detection [72.38031440014463]
  そこで本研究では,視覚領域における視覚的特徴と視覚的対象の両方を学習するために,視覚的特徴を合成することを提案する。 クラスセマンティックスを用いた新しい生成モデルを用いて特徴を生成するだけでなく,特徴を識別的に分離する。
  論文  参考訳（メタデータ） (2020-10-19T12:36:11Z)
• Cross-Supervised Object Detection [42.783400918552765]
  完全ラベル付きベースカテゴリから学習した知識を活用して、新しいカテゴリの弱いラベル付き画像からより良いオブジェクト検出器を構築する方法を示す。 本稿では,インスタンスレベルのアノテーションから学習した検出ヘッドと,画像レベルのアノテーションから学習した認識ヘッドを組み合わせた統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-26T15:33:48Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• Distilling Knowledge from Refinement in Multiple Instance Detection Networks [0.0]
  弱教師付きオブジェクト検出(WSOD)は、ラベル付き画像カテゴリのみを監督として、オブジェクト検出の問題に取り組むことを目的としている。 そこで本研究では,各改良モジュールの監督期間中に,基幹クラス,背景,あるいは無視されるボックスの選択基準を動的に変更する適応型監視アグリゲーション機能を提案する。
  論文  参考訳（メタデータ） (2020-04-23T02:49:40Z)
• Object Instance Mining for Weakly Supervised Object Detection [24.021995037282394]
  本稿では,オブジェクト検出の弱いエンドツーエンドのオブジェクトインスタンスマイニング(OIM)フレームワークを提案する。 OIMは、空間グラフと外観グラフに情報伝搬を導入することにより、各画像に存在する全ての可能なオブジェクトインスタンスを検知しようとする。 反復学習プロセスでは、同一クラスからの識別の少ないオブジェクトインスタンスを徐々に検出し、トレーニングに利用することができる。
  論文  参考訳（メタデータ） (2020-02-04T02:11:39Z)

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。