論文の概要: Soft-labeling Strategies for Rapid Sub-Typing

• arxiv url: http://arxiv.org/abs/2209.12684v1
• Date: Fri, 23 Sep 2022 03:04:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 15:05:41.814069
• Title: Soft-labeling Strategies for Rapid Sub-Typing
• Title（参考訳）: 急速サブタイピングのためのソフトラベル戦略
• Authors: Grant Rosario, David Noever, and Matt Ciolino
• Abstract要約: この研究は、人間の介入を最小限に抑えたデータ収集、キュレーション、ラベル付け、反復訓練のための新しい方法を提供する。 新しい運用スケールは、グリッドサーチで都市全体(68平方マイル)を効果的にスキャンし、宇宙観測から車の色を予測した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The challenge of labeling large example datasets for computer vision continues to limit the availability and scope of image repositories. This research provides a new method for automated data collection, curation, labeling, and iterative training with minimal human intervention for the case of overhead satellite imagery and object detection. The new operational scale effectively scanned an entire city (68 square miles) in grid search and yielded a prediction of car color from space observations. A partially trained yolov5 model served as an initial inference seed to output further, more refined model predictions in iterative cycles. Soft labeling here refers to accepting label noise as a potentially valuable augmentation to reduce overfitting and enhance generalized predictions to previously unseen test data. The approach takes advantage of a real-world instance where a cropped image of a car can automatically receive sub-type information as white or colorful from pixel values alone, thus completing an end-to-end pipeline without overdependence on human labor.
• Abstract（参考訳）: コンピュータビジョンのための大規模なサンプルデータセットのラベル付けという課題は、画像リポジトリの可用性と範囲を制限し続ける。 本研究は,衛星画像や物体検出のオーバーヘッドに対して,人間の介入を最小限に抑えたデータ収集,キュレーション,ラベル付け,反復訓練を行う新しい手法を提供する。 新しい運用スケールは、グリッドサーチで都市全体(68平方マイル)を効果的にスキャンし、宇宙観測から車の色を予測した。 部分的に訓練されたyolov5モデルは、反復サイクルでさらに洗練されたモデル予測を出力するための初期推論シードとして機能した。 ここでのソフトラベリングは、ラベルノイズを受け入れることを、過剰フィッティングを減らし、以前目にしたテストデータに対する一般化された予測を強化する上で、潜在的に価値のある拡張であることを意味する。 このアプローチは、車の収穫された画像がピクセル値だけで白やカラフルのサブタイプ情報を自動受信できる現実世界のインスタンスを活用し、人間の労働を過度に依存せずにエンドツーエンドのパイプラインを完成させる。

関連論文リスト

• AIDOVECL: AI-generated Dataset of Outpainted Vehicles for Eye-level Classification and Localization [0.0]
  この研究は、注釈付きデータ不足の問題に対処するために、アウトペイントを活用する新しいアプローチを導入している。 この技術は、自動運転、都市計画、環境モニタリングにおいて特に困難な課題に応用する。 塗装された車両による増強は、全体のパフォーマンス指標を最大8%改善し、未表現クラスの予測を最大20%向上させる。
  論文  参考訳（メタデータ） (2024-10-31T16:46:23Z)
• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 複雑さを低減した現在の最先端技術の性能をわずかに上回る新しいモデルを導入する。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• LabelFormer: Object Trajectory Refinement for Offboard Perception from LiDAR Point Clouds [37.87496475959941]
  オフボード認識モデルは、生のLiDARポイントクラウドからアノテーションを自動的に生成するように訓練されている。 本稿では,単純で効率的かつ効果的な軌道レベルの改良手法である LabelFormer を提案する。 提案手法はまず,まず各フレームの観察を別々に符号化し,その後,時間的文脈の完全な軌跡を判断するために自己注意を利用する。
  論文  参考訳（メタデータ） (2023-11-02T17:56:06Z)
• Semi-Supervised Learning for hyperspectral images by non parametrically predicting view assignment [25.198550162904713]
  ハイパースペクトル画像(HSI)分類は、画像中のスペクトル情報が高いため、現在、多くの勢いを増している。 近年,ラベル付きサンプルを最小限に抑えたディープラーニングモデルを効果的に訓練するために,ラベル付きサンプルも自己教師付きおよび半教師付き設定で活用されている。 本研究では,半教師付き学習の概念を利用して,モデルの識別的自己教師型事前学習を支援する。
  論文  参考訳（メタデータ） (2023-06-19T14:13:56Z)
• Transfer Learning Application of Self-supervised Learning in ARPES [12.019651078748236]
  角度分解型光電子分光法(ARPES)の開発には、試料の空間分解が関与する。 その1つは、同様の分散カットをラベル付けして空間的にマッピングすることである。 そこで本研究では,k-meansクラスタリングと組み合わせた表現型学習モデルの最近の発展が,データ解析のその部分を自動化することを実証する。
  論文  参考訳（メタデータ） (2022-08-23T11:58:05Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Visual Distant Supervision for Scene Graph Generation [66.10579690929623]
  シーングラフモデルは通常、大量のラベル付きデータを人間のアノテーションで教師付き学習する必要がある。 本研究では,人間ラベルデータを用いずにシーングラフモデルを訓練できる視覚関係学習の新しいパラダイムである視覚遠方監視を提案する。 包括的な実験結果から、我々の遠隔監視モデルは、弱い監督と半監督のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-03-29T06:35:24Z)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)
• Transferring and Regularizing Prediction for Semantic Segmentation [115.88957139226966]
  本稿では,セマンティックセグメンテーションの本質的特性を利用して,モデル伝達におけるそのような問題を緩和する。 本稿では,モデル転送を教師なし方式で正規化するための制約として固有特性を課す予測伝達の正規化器(RPT)を提案する。 GTA5とSynTHIA(synthetic data)で訓練されたモデルの都市景観データセット(アーバンストリートシーン)への転送に関するRTPの提案を検証するため、大規模な実験を行った。
  論文  参考訳（メタデータ） (2020-06-11T16:19:41Z)

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。