論文の概要: Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly
Supervised Video Anomaly Detection
- arxiv url: http://arxiv.org/abs/2212.04090v1
- Date: Thu, 8 Dec 2022 05:53:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 15:32:20.929198
- Title: Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly
Supervised Video Anomaly Detection
- Title(参考訳): 弱監視ビデオ異常検出のための擬似ラベルの完全性と不確実性
- Authors: Chen Zhang, Guorong Li, Yuankai Qi, Shuhui Wang, Laiyun Qing, Qingming
Huang, Ming-Hsuan Yang
- Abstract要約: 弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。
2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。
本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
- 参考スコア(独自算出の注目度): 149.23913018423022
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weakly supervised video anomaly detection aims to identify abnormal events in
videos using only video-level labels. Recently, two-stage self-training methods
have achieved significant improvements by self-generating pseudo labels and
self-refining anomaly scores with these labels. As the pseudo labels play a
crucial role, we propose an enhancement framework by exploiting completeness
and uncertainty properties for effective self-training. Specifically, we first
design a multi-head classification module (each head serves as a classifier)
with a diversity loss to maximize the distribution differences of predicted
pseudo labels across heads. This encourages the generated pseudo labels to
cover as many abnormal events as possible. We then devise an iterative
uncertainty pseudo label refinement strategy, which improves not only the
initial pseudo labels but also the updated ones obtained by the desired
classifier in the second stage. Extensive experimental results demonstrate the
proposed method performs favorably against state-of-the-art approaches on the
UCF-Crime, TAD, and XD-Violence benchmark datasets.
- Abstract(参考訳): 弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いてビデオ内の異常事象を特定することを目的としている。
近年, 2段階の自己学習法は, 擬似ラベルの自己生成と, それらのラベルによる自己修復異常スコアによって著しく改善されている。
擬似ラベルが重要な役割を果たすため,完全性と不確実性を利用して効果的な自己学習を実現するための拡張フレームワークを提案する。
具体的には,複数頭部分類モジュール(各頭部が分類器として機能する)をまず設計し,頭部間で予測された擬似ラベルの分布差を最大化する。
これにより、生成された擬似ラベルは可能な限り多くの異常事象をカバーできる。
次に,初期擬似ラベルだけでなく,第2段階において所望の分類器によって得られた更新ラベルも改善する反復的不確実性擬似ラベル改良戦略を考案する。
提案手法は,UCF-Crime,TAD,XD-Violenceベンチマークデータセットに対して,最先端のアプローチに対して良好に動作することを示す。
関連論文リスト
- Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label
Learning [97.88458953075205]
Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。
本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
論文 参考訳(メタデータ) (2023-05-04T12:52:18Z) - Adversary-Aware Partial label learning with Label distillation [47.18584755798137]
本稿では、Ad-Aware partial Label Learningを紹介し、各インスタンスの候補ラベルのコレクションに、ノイズの多いラベルのセットである$textitrival$を紹介します。
提案手法は, CIFAR10, CIFAR100, CUB200データセットに対して有望な結果を得る。
論文 参考訳(メタデータ) (2023-04-02T10:18:30Z) - Dist-PU: Positive-Unlabeled Learning from a Label Distribution
Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。
そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。
提案手法の有効性を3つのベンチマークデータセットで検証した。
論文 参考訳(メタデータ) (2022-12-06T07:38:29Z) - Semi-supervised Contrastive Outlier removal for Pseudo Expectation
Maximization (SCOPE) [2.33877878310217]
Pseudo expectation Maximization (SCOPE) のための半教師付きコントラスト外乱除去法を用いて, 共起誤差を抑制する新しい手法を提案する。
その結果,SCOPEはベースライン上での半教師付き分類精度を大幅に向上し,さらに整合正則化と組み合わせた場合,250と4000のラベル付きサンプルを用いた半教師付きCIFAR-10分類タスクにおいて最も高い精度が得られた。
論文 参考訳(メタデータ) (2022-06-28T19:32:50Z) - Debiased Pseudo Labeling in Self-Training [77.83549261035277]
ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。
ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。
疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
論文 参考訳(メタデータ) (2022-02-15T02:14:33Z) - Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。
我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。
提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文 参考訳(メタデータ) (2021-06-01T01:32:03Z) - Uncertainty-Aware Label Refinement for Sequence Labeling [47.67853514765981]
長期ラベル依存性をモデル化する新しい2段階ラベルデコードフレームワークを提案する。
ベースモデルはまずドラフトラベルを予測し、次に新しい2ストリーム自己アテンションモデルはこれらのドラフト予測を洗練します。
論文 参考訳(メタデータ) (2020-12-19T06:56:59Z) - Semi-supervised Relation Extraction via Incremental Meta Self-Training [56.633441255756075]
半教師付き関係抽出法は,限られたサンプルからの学習に加え,ラベルのないデータを活用することを目的としている。
既存の自己学習手法は段階的なドリフト問題に悩まされ、未ラベルデータにノイズのある擬似ラベルが組み込まれている。
本稿では,リレーショナルラベル生成ネットワークが,メタオブジェクトとしてリレーショナル分類ネットワークを成功・失敗に導くことによって,擬似ラベルの品質評価を生成するメタSREという手法を提案する。
論文 参考訳(メタデータ) (2020-10-06T03:54:11Z)
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。