論文の概要: Depth Contrast: Self-Supervised Pretraining on 3DPM Images for Mining Material Classification

• arxiv url: http://arxiv.org/abs/2210.10633v1
• Date: Tue, 18 Oct 2022 04:17:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 14:56:45.318357
• Title: Depth Contrast: Self-Supervised Pretraining on 3DPM Images for Mining Material Classification
• Title（参考訳）: 深度コントラスト:マイニング材料分類のための3DPM画像による自己監督事前トレーニング
• Authors: Prakash Chandra Chhipa, Richa Upadhyay, Rajkumar Saini, Lars Lindqvist, Richard Nordenskjold, Seiichi Uchida, and Marcus Liwicki
• Abstract要約: 本研究では,3DPMセンサの画像にラベルを付けずに効率的な表現を学習するための,自己指導型表現学習手法を提案する。 提案手法であるDepth Contrastは、深度マップと帰納的転送を利用して、3DPMデータセットにラベルを付けずに自己教師付き表現の学習を可能にする。 提案手法は, 半教師付き環境でのイメージネット転送学習性能よりも11%向上したF1スコア0.65を得る。
• 参考スコア（独自算出の注目度）: 9.848901783719207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents a novel self-supervised representation learning method to learn efficient representations without labels on images from a 3DPM sensor (3-Dimensional Particle Measurement; estimates the particle size distribution of material) utilizing RGB images and depth maps of mining material on the conveyor belt. Human annotations for material categories on sensor-generated data are scarce and cost-intensive. Currently, representation learning without human annotations remains unexplored for mining materials and does not leverage on utilization of sensor-generated data. The proposed method, Depth Contrast, enables self-supervised learning of representations without labels on the 3DPM dataset by exploiting depth maps and inductive transfer. The proposed method outperforms material classification over ImageNet transfer learning performance in fully supervised learning settings and achieves an F1 score of 0.73. Further, The proposed method yields an F1 score of 0.65 with an 11% improvement over ImageNet transfer learning performance in a semi-supervised setting when only 20% of labels are used in fine-tuning. Finally, the Proposed method showcases improved performance generalization on linear evaluation. The implementation of proposed method is available on GitHub.
• Abstract（参考訳）: 本研究では, コンベアベルト上のRGB画像とマイニング材料の深度マップを利用して, 3DPMセンサ(3次元粒子計測, 材料粒径分布推定)の画像にラベルを付けずに効率的な表現を学習する, 自己教師型表現学習手法を提案する。 センサ生成データに対する材料カテゴリの人的アノテーションは乏しく、コストがかかる。 現在,人間のアノテーションを使わずに表現学習を行ない,センサ生成データの利用は行っていない。 提案手法である深度コントラストは,深度マップとインダクティブ転送を活用し,3dpmデータセット上のラベルのない表現の自己教師あり学習を可能にする。 提案手法は,完全な教師付き学習環境において,imagenet転送学習性能よりも材料分類を上回り,0.73のf1スコアを達成する。 さらに、ラベルの20%のみを微調整に使用する半教師付き設定において、画像ネット転送学習性能を11%向上させ、f1スコアを0.55とする。 最後に,提案手法は線形評価における性能一般化の改善を示す。 提案手法の実装はgithubで公開されている。

関連論文リスト

• 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)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• 360$^\circ$ from a Single Camera: A Few-Shot Approach for LiDAR Segmentation [0.0]
  LiDARデータのディープラーニングアプリケーションは、異なるセンサーやタスクに適用する場合、強いドメインギャップに悩まされる。 実用的なアプリケーションでは、ラベル付きデータはコストがかかり、取得に時間がかかる。 我々は、ラベル効率のよいLiDARセグメンテーションに対する効果的で合理化された数ショットアプローチであるImageTo360を提案する。
  論文  参考訳（メタデータ） (2023-09-12T13:04:41Z)
• Semi-Supervised Single-View 3D Reconstruction via Prototype Shape Priors [79.80916315953374]
  本研究では,3次元再構成のための半教師付きフレームワークであるSSP3Dを提案する。 本稿では,現実的なオブジェクト再構成を導くために,注意誘導型プロトタイプ形状先行モジュールを提案する。 実世界のPix3Dデータセットに10%のラベリング比で転送する場合も,本手法は良好に機能する。
  論文  参考訳（メタデータ） (2022-09-30T11:19:25Z)
• Paint and Distill: Boosting 3D Object Detection with Semantic Passing Network [70.53093934205057]
  ライダーやカメラセンサーからの3Dオブジェクト検出タスクは、自動運転に不可欠である。 本研究では,既存のライダーベース3D検出モデルの性能向上を図るために,SPNetという新しいセマンティックパスフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-12T12:35:34Z)
• Self-Paced Contrastive Learning for Semi-supervisedMedical Image Segmentation with Meta-labels [6.349708371894538]
  メタラベルアノテーションを扱うために、コントラスト学習を適用することを提案する。 画像エンコーダの事前トレーニングにはメタラベルを使用し、半教師付きトレーニングを標準化する。 3つの異なる医用画像セグメンテーションデータセットの結果から,本手法は数回のスキャンでトレーニングしたモデルの性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2021-07-29T04:30:46Z)
• Dense Contrastive Learning for Self-Supervised Visual Pre-Training [102.15325936477362]
  入力画像の2つのビュー間の画素レベルでの差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分)を最適化することにより自己教師学習を実現する。 ベースライン法であるMoCo-v2と比較すると,計算オーバーヘッドは1%遅かった。
  論文  参考訳（メタデータ） (2020-11-18T08:42:32Z)
• Learning a Geometric Representation for Data-Efficient Depth Estimation via Gradient Field and Contrastive Loss [29.798579906253696]
  本研究では、コンブネットがラベルのない画像で幾何学的情報を抽出するのを支援するために、運動量差の少ない勾配に基づく自己教師付き学習アルゴリズムを提案する。 提案手法は,従来の自己教師付き学習アルゴリズムよりも優れ,ラベル付きデータの効率を3倍に向上させる。
  論文  参考訳（メタデータ） (2020-11-06T06:47:19Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。