Fugu-MT 論文翻訳(概要): ATEAM: Knowledge Integration from Federated Datasets for Vehicle Feature Extraction using Annotation Team of Experts

論文の概要: ATEAM: Knowledge Integration from Federated Datasets for Vehicle Feature Extraction using Annotation Team of Experts

arxiv url: http://arxiv.org/abs/2211.09098v1
Date: Wed, 16 Nov 2022 18:33:45 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 14:46:05.229537
Title: ATEAM: Knowledge Integration from Federated Datasets for Vehicle Feature Extraction using Annotation Team of Experts
Title（参考訳）: ATEAM: 専門家の注釈を用いた車両特徴抽出のためのフェデレーションデータセットからの知識統合
Authors: Abhijit Suprem, Purva Singh, Suma Cherkadi, Sanjyot Vaidya, Joao Eduardo Ferreira, and Calton Pu
Abstract要約: 本稿では,アノテーションチームであるATEAMを提案し,データ横断ラベリングと不整合アノテーションスキーマの統合を行う。統合データセットは,VMMRと車両のリIDにおいて,モデルアーキテクチャの変更を伴わず,優れた精度を実現する上で有効であることを示す。
参考スコア（独自算出の注目度）: 1.947162363730401
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The vehicle recognition area, including vehicle make-model recognition (VMMR), re-id, tracking, and parts-detection, has made significant progress in recent years, driven by several large-scale datasets for each task. These datasets are often non-overlapping, with different label schemas for each task: VMMR focuses on make and model, while re-id focuses on vehicle ID. It is promising to combine these datasets to take advantage of knowledge across datasets as well as increased training data; however, dataset integration is challenging due to the domain gap problem. This paper proposes ATEAM, an annotation team-of-experts to perform cross-dataset labeling and integration of disjoint annotation schemas. ATEAM uses diverse experts, each trained on datasets that contain an annotation schema, to transfer knowledge to datasets without that annotation. Using ATEAM, we integrated several common vehicle recognition datasets into a Knowledge Integrated Dataset (KID). We evaluate ATEAM and KID for vehicle recognition problems and show that our integrated dataset can help off-the-shelf models achieve excellent accuracy on VMMR and vehicle re-id with no changes to model architectures. We achieve mAP of 0.83 on VeRi, and accuracy of 0.97 on CompCars. We have released both the dataset and the ATEAM framework for public use.
Abstract（参考訳）: 車両モデル認識(VMMR)、リID、トラッキング、部品検出を含む車両認識領域は、近年、タスクごとに大規模なデータセットによって駆動され、大きな進歩を遂げている。これらのデータセットはオーバーラップしないことが多く、各タスクのラベルスキーマが異なる: VMMRは作成とモデルに焦点を当て、re-idは車両IDに重点を置いている。これらのデータセットを組み合わせることで、データセット間の知識の活用と、トレーニングデータの増加が期待できるが、ドメインギャップの問題のため、データセットの統合は難しい。本稿では,データ横断ラベリングと不整合アノテーションスキーマの統合を行うためのアノテーションチーム・オブ・エキスパートであるATEAMを提案する。 ATEAMでは、アノテーションスキーマを含むデータセットでトレーニングされたさまざまな専門家を使用して、アノテーションなしで知識をデータセットに転送する。 ATEAMを用いて、いくつかの共通車両認識データセットを知識統合データセット(KID)に統合した。我々は,車体認識問題に対するateamとkidの評価を行い,本統合データセットが,モデルアーキテクチャの変更を伴わずに,vmmrと車体re-idにおいて優れた精度を達成することができることを示す。 veri 上の 0.83 の写像とcompcars 上の 0.97 の精度を達成する。このデータセットと、パブリック使用のためのATEAMフレームワークの両方をリリースしました。

関連論文リスト

Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2024-10-31T06:55:24Z)
Anno-incomplete Multi-dataset Detection [67.69438032767613]
我々は「不完全なマルチデータセット検出」という新しい問題を提案する。複数の注釈付きデータセットで全ての対象カテゴリを正確に検出できるエンドツーエンドのマルチタスク学習アーキテクチャを開発した。
論文参考訳（メタデータ） (2024-08-29T03:58:21Z)
ANNA: A Deep Learning Based Dataset in Heterogeneous Traffic for Autonomous Vehicles [2.932123507260722]
本研究ではバングラデシュの視点で、特定されていない車両を含むカスタムビルドデータセットについて論じる。 IOU(Intersection Over Union)メトリックを用いたモデルの評価により,データセットの妥当性チェックを行った。その結果、バングラデシュのトラフィックに関するKITTIまたはCOCOデータセットでトレーニングされたモデルよりも、カスタムデータセットでトレーニングされたモデルの方が正確で効率的であることが判明した。
論文参考訳（メタデータ） (2024-01-21T01:14:04Z)
DAMEX: Dataset-aware Mixture-of-Experts for visual understanding of mixture-of-datasets [34.780870585656395]
本稿では,データセット・アウェア・ミックス・オブ・エクササイズ,DAMEXを提案する。データセットトークンをマップされた専門家にルーティングすることを学ぶことで、データセットのエキスパートになるように専門家を訓練します。 Universal Object-Detection Benchmarkの実験では、既存の最先端技術よりも優れています。
論文参考訳（メタデータ） (2023-11-08T18:55:24Z)
infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
論文参考訳（メタデータ） (2023-05-30T18:12:48Z)
A Multi-Format Transfer Learning Model for Event Argument Extraction via Variational Information Bottleneck [68.61583160269664]
イベント引数抽出(EAE)は、テキストから所定の役割を持つ引数を抽出することを目的としている。変動情報のボトルネックを考慮したマルチフォーマット変換学習モデルを提案する。 3つのベンチマークデータセットに対して広範な実験を行い、EAE上での新たな最先端性能を得る。
論文参考訳（メタデータ） (2022-08-27T13:52:01Z)
MSeg: A Composite Dataset for Multi-domain Semantic Segmentation [100.17755160696939]
セマンティックセグメンテーションデータセットを異なるドメインから統合する合成データセットであるMSegを提案する。一般化と画素レベルのアノテーションのアライメントを調整し,2万枚以上のオブジェクトマスクを8万枚以上の画像で再現する。 MSegでトレーニングされたモデルは、WildDash-v1のリーダーボードで、トレーニング中にWildDashのデータに触れることなく、堅牢なセマンティックセグメンテーションのためにランク付けされている。
論文参考訳（メタデータ） (2021-12-27T16:16:35Z)
Simple multi-dataset detection [83.9604523643406]
複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。私たちのアプローチは手動の分類学の調整を必要としません。
論文参考訳（メタデータ） (2021-02-25T18:55:58Z)

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。