論文の概要: Semi-Supervised Object Detection with Object-wise Contrastive Learning and Regression Uncertainty

• arxiv url: http://arxiv.org/abs/2212.02747v1
• Date: Tue, 6 Dec 2022 04:37:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 16:52:04.480331
• Title: Semi-Supervised Object Detection with Object-wise Contrastive Learning and Regression Uncertainty
• Title（参考訳）: オブジェクト指向コントラスト学習と回帰不確かさを用いた半教師対象検出
• Authors: Honggyu Choi, Zhixiang Chen, Xuepeng Shi, Tae-Kyun Kim
• Abstract要約: そこで本研究では,教師学習フレームワークにおける2段階の擬似ラベルフィルタリング手法を提案する。 学生ネットワークは、分類および回帰ヘッドのための擬似ラベルを共同フィルタリングすることにより、教師ネットワークからオブジェクト検出タスクのためのより良い指導を受ける。
• 参考スコア（独自算出の注目度）: 46.21528260727673
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Semi-supervised object detection (SSOD) aims to boost detection performance by leveraging extra unlabeled data. The teacher-student framework has been shown to be promising for SSOD, in which a teacher network generates pseudo-labels for unlabeled data to assist the training of a student network. Since the pseudo-labels are noisy, filtering the pseudo-labels is crucial to exploit the potential of such framework. Unlike existing suboptimal methods, we propose a two-step pseudo-label filtering for the classification and regression heads in a teacher-student framework. For the classification head, OCL (Object-wise Contrastive Learning) regularizes the object representation learning that utilizes unlabeled data to improve pseudo-label filtering by enhancing the discriminativeness of the classification score. This is designed to pull together objects in the same class and push away objects from different classes. For the regression head, we further propose RUPL (Regression-Uncertainty-guided Pseudo-Labeling) to learn the aleatoric uncertainty of object localization for label filtering. By jointly filtering the pseudo-labels for the classification and regression heads, the student network receives better guidance from the teacher network for object detection task. Experimental results on Pascal VOC and MS-COCO datasets demonstrate the superiority of our proposed method with competitive performance compared to existing methods.
• Abstract（参考訳）: semi-supervised object detection (ssod) は、余分なラベルのないデータを活用することで検出性能を向上させることを目的としている。 教師用フレームワークはssodに有望であることが示されており、教師ネットワークは学生ネットワークのトレーニングを支援するためにラベルなしデータの擬似ラベルを生成する。 擬似ラベルはノイズが多いため、擬似ラベルをフィルタリングすることはそのようなフレームワークの可能性を活用する上で重要である。 既存のサブオプティカル手法と異なり,教師・教師の枠組みにおける分類と回帰ヘッドに対する2段階擬似ラベルフィルタリングを提案する。 分類ヘッドに対して、OCL(Object-wise Contrastive Learning)は、未ラベルデータを利用したオブジェクト表現学習を正規化し、分類スコアの識別性を高めて擬似ラベルフィルタリングを改善する。 これは、同じクラスのオブジェクトをまとめて、異なるクラスからオブジェクトをプッシュするように設計されています。 回帰ヘッドに対しては,ラベルフィルタリング対象の局所化の不確かさを学習するために,rupl(regression-uncertainty-guided pseudo-labeling)を提案する。 学生ネットワークは、分類および回帰ヘッドのための擬似ラベルを共同フィルタリングすることにより、教師ネットワークからオブジェクト検出タスクのためのより良い指導を受ける。 パスカルVOCおよびMS-COCOデータセットの実験結果から,提案手法が既存手法と比較して競争性能に優れていることを示す。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Online Pseudo-Label Unified Object Detection for Multiple Datasets Training [0.0]
  オンライン擬似ラベル統一オブジェクト検出方式を提案する。 本手法では,周期的に更新された教師モデルを用いて,各サブデータセット内の未ラベルオブジェクトの擬似ラベルを生成する。 また,地域提案ネットワーク(PRN)のリコール率を改善するために,カテゴリ別ボックス回帰と擬似ラベルRPNヘッドを提案する。
  論文  参考訳（メタデータ） (2024-10-21T01:23:42Z)
• Versatile Teacher: A Class-aware Teacher-student Framework for Cross-domain Adaptation [2.9748058103007957]
  私たちはVersatile Teacher(VT)という新しい教師学生モデルを紹介します。 VTはクラス固有の検出困難を考慮し、2段階の擬似ラベル選択機構を用いてより信頼性の高い擬似ラベルを生成する。 提案手法は,3つのベンチマークデータセットに対して有望な結果を示し,広範に使用されている1段検出器のアライメント手法を拡張した。
  論文  参考訳（メタデータ） (2024-05-20T03:31:43Z)
• Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
  Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。 より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。 我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
  論文  参考訳（メタデータ） (2024-01-01T08:19:21Z)
• Semi-Supervised Semantic Segmentation via Gentle Teaching Assistant [72.4512562104361]
  擬似ラベル付きラベル付きラベル付きデータは,特徴抽出器における代表的特徴の学習を容易にすることができると論じる。 そこで本研究では,擬似ラベルが特徴抽出器やマスク予測器に与える影響を解消する新しい枠組みであるジェントル指導アシスタント(GTA-Seg)を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:11:24Z)
• Label Matching Semi-Supervised Object Detection [85.99282969977541]
  半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。 本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-14T05:59:41Z)
• Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification [84.72303377833732]
  教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。 本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。 提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
  論文  参考訳（メタデータ） (2021-06-11T02:42:42Z)

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。