論文の概要: A Weakly Supervised Learning Framework for Salient Object Detection via Hybrid Labels

• arxiv url: http://arxiv.org/abs/2209.02957v1
• Date: Wed, 7 Sep 2022 06:45:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 12:38:06.506828
• Title: A Weakly Supervised Learning Framework for Salient Object Detection via Hybrid Labels
• Title（参考訳）: ハイブリッドラベルを用いた有能物体検出のための弱修正学習フレームワーク
• Authors: Runmin Cong, Qi Qin, Chen Zhang, Qiuping Jiang, Shiqi Wang, Yao Zhao, and Sam Kwong
• Abstract要約: 本稿では,ハイブリッドラベル下でのSODタスクに焦点をあてる。 このタスクにおけるラベルノイズと量不均衡の問題に対処するため、我々は3つの洗練されたトレーニング戦略を持つ新しいパイプラインフレームワークを設計する。 5つのSODベンチマーク実験により,本手法は弱教師付き/非教師付き手法と競合する性能を示した。
• 参考スコア（独自算出の注目度）: 96.56299163691979
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fully-supervised salient object detection (SOD) methods have made great progress, but such methods often rely on a large number of pixel-level annotations, which are time-consuming and labour-intensive. In this paper, we focus on a new weakly-supervised SOD task under hybrid labels, where the supervision labels include a large number of coarse labels generated by the traditional unsupervised method and a small number of real labels. To address the issues of label noise and quantity imbalance in this task, we design a new pipeline framework with three sophisticated training strategies. In terms of model framework, we decouple the task into label refinement sub-task and salient object detection sub-task, which cooperate with each other and train alternately. Specifically, the R-Net is designed as a two-stream encoder-decoder model equipped with Blender with Guidance and Aggregation Mechanisms (BGA), aiming to rectify the coarse labels for more reliable pseudo-labels, while the S-Net is a replaceable SOD network supervised by the pseudo labels generated by the current R-Net. Note that, we only need to use the trained S-Net for testing. Moreover, in order to guarantee the effectiveness and efficiency of network training, we design three training strategies, including alternate iteration mechanism, group-wise incremental mechanism, and credibility verification mechanism. Experiments on five SOD benchmarks show that our method achieves competitive performance against weakly-supervised/unsupervised methods both qualitatively and quantitatively.
• Abstract（参考訳）: 完全教師付きサルエントオブジェクト検出(sod)法は大きな進歩を遂げているが、そのような手法は時間消費と労働集約的な多数のピクセルレベルのアノテーションに依存することが多い。 本稿では,従来の非教師付き手法によって生成される多数の粗いラベルと少数の実ラベルを含む,ハイブリッドラベル下での新しい弱教師付きSODタスクに焦点を当てる。 このタスクにおけるラベルノイズと量不均衡の問題に対処するため,我々は,3つの高度なトレーニング戦略を備えた新しいパイプラインフレームワークを設計した。 モデルフレームワークでは,タスクをラベルリファインメント・サブタスクと有能なオブジェクト検出サブタスクに分離し,相互に協調し,交互に訓練する。 具体的には、R-NetはBlender with Guidance and Aggregation Mechanisms (BGA)を備えた2ストリームエンコーダデコーダモデルとして設計されており、より信頼性の高い擬似ラベルのために粗いラベルを修正することを目的としており、S-Netは現在のR-Netによって生成された擬似ラベルによって管理される置換可能なSODネットワークである。 ただし、テストにはトレーニング済みのS-Netのみを使用する必要があります。 さらに,ネットワークトレーニングの有効性と効率性を保証するため,代替反復機構,グループ毎インクリメンタル機構,信頼性検証機構を含む3つのトレーニング戦略を設計する。 5つのSODベンチマーク実験により,本手法は定性的・定量的に弱教師付き/非教師付き手法と競合する性能を示した。

関連論文リスト

• Unified Unsupervised Salient Object Detection via Knowledge Transfer [29.324193170890542]
  非教師なしサルエントオブジェクト検出(USOD)は、アノテーションのない性質のために注目を集めている。 本稿では,汎用USODタスクのための統一USODフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-23T05:50:02Z)
• Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection [1.6249267147413524]
  半教師付きオブジェクト検出(SSOD)は、擬似ラベルに基づくエンドツーエンド手法の開発において大きな進歩を遂げている。 多くの手法は、擬似ラベルジェネレータの有効性を妨げるクラス不均衡のため、課題に直面している。 本稿では,低品質な擬似ラベルの根本原因と,ラベル生成品質を改善するための新しい学習メカニズムについて検討する。
  論文  参考訳（メタデータ） (2023-06-04T06:01:53Z)
• Unsupervised Meta-Learning via Few-shot Pseudo-supervised Contrastive Learning [72.3506897990639]
  本稿では,Pseudo-supervised Contrast (PsCo) という,シンプルだが効果的なメタ学習フレームワークを提案する。 PsCoは、さまざまなドメイン内およびクロスドメインのいくつかのショット分類ベンチマークの下で、既存の教師なしメタラーニングメソッドより優れています。
  論文  参考訳（メタデータ） (2023-03-02T06:10:13Z)
• Image Understands Point Cloud: Weakly Supervised 3D Semantic Segmentation via Association Learning [59.64695628433855]
  ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。 基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。 提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-16T07:59:04Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• CLS: Cross Labeling Supervision for Semi-Supervised Learning [9.929229055862491]
  Cross Labeling Supervision (CLS) は、典型的な擬似ラベル処理を一般化するフレームワークである。 CLSは擬似ラベルと相補ラベルの両方を作成でき、正と負の両方の学習をサポートする。
  論文  参考訳（メタデータ） (2022-02-17T08:09:40Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Deep Recurrent Semi-Supervised EEG Representation Learning for Emotion Recognition [14.67085109524245]
  脳波に基づく感情認識は、効果的な計算モデルを構築するのに十分なラベル付きトレーニングサンプルを必要とすることが多い。 ラベル付きデータとラベル付きデータの両方を併用して脳波表現を学習するための半教師付きパイプラインを提案する。 大規模SEED EEGデータセット上でフレームワークをテストし、その結果を他の人気のある半教師付き手法と比較する。
  論文  参考訳（メタデータ） (2021-07-28T17:21:30Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)

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。