論文の概要: Look around and learn: self-improving object detection by exploration
- arxiv url: http://arxiv.org/abs/2302.03566v1
- Date: Tue, 7 Feb 2023 16:26:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-08 15:47:34.401964
- Title: Look around and learn: self-improving object detection by exploration
- Title(参考訳): 周りを見回して学ぶ:探査による自己改善物体検出
- Authors: ianluca Scarpellini, Stefano Rosa, Pietro Morerio, Lorenzo Natale,
Alessio Del Bue
- Abstract要約: 対象検出器は、トレーニングデータに新しい環境条件が不十分に表現されている場合、しばしば性能低下を経験する。
本稿では,既存の物体検出装置を探索し,新たな環境下で画像を取得しながら自動的に微調整する方法について検討する。
- 参考スコア(独自算出の注目度): 29.222001189559638
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object detectors often experience a drop in performance when new
environmental conditions are insufficiently represented in the training data.
This paper studies how to automatically fine-tune a pre-existing object
detector while exploring and acquiring images in a new environment without
relying on human intervention, i.e., in an utterly self-supervised fashion. In
our setting, an agent initially learns to explore the environment using a
pre-trained off-the-shelf detector to locate objects and associate
pseudo-labels. By assuming that pseudo-labels for the same object must be
consistent across different views, we learn an exploration policy mining hard
samples and we devise a novel mechanism for producing refined predictions from
the consensus among observations. Our approach outperforms the current
state-of-the-art, and it closes the performance gap against a fully supervised
setting without relying on ground-truth annotations. We also compare various
exploration policies for the agent to gather more informative observations.
Code and dataset will be made available upon paper acceptance
- Abstract(参考訳): 対象検出器は、トレーニングデータに新しい環境条件が不十分に表現されている場合、しばしば性能低下を経験する。
本稿では,人間の介入に頼らずに,新しい環境で画像を探索し,取得しながら,既存の物体検出器を自動的に微調整する方法について検討する。
私たちの設定では、エージェントはまず、事前訓練されたオフザシェルフ検出器を使って、オブジェクトを検出し、擬似ラベルを関連付けることで環境を探索することを学びます。
同じ対象に対する擬似ラベルが異なる視点で一貫性を持つ必要があると仮定することで、ハードサンプルをマイニングする探索方針を学び、観察者間のコンセンサスから洗練された予測を生成するための新しいメカニズムを考案する。
当社のアプローチは現在の最先端技術よりも優れており、地味なアノテーションに頼ることなく、完全に教師された設定に対するパフォーマンスギャップを埋めています。
また,エージェントがより情報的な観察を行うための様々な探索方針を比較した。
コードとデータセットが論文受理時に利用可能になる
関連論文リスト
- InstaGen: Enhancing Object Detection by Training on Synthetic Dataset [63.77586260979971]
本稿では,オブジェクト検出機能の向上,例えばカテゴリ拡大や検出性能の向上など,新たなパラダイムを提案する。
インスタンスレベルの接地ヘッドを事前学習した生成拡散モデルに統合する。
InstaGenからの合成データセットのトレーニング中にオブジェクト検出器を拡張できることを実証するために、徹底的な実験を行った。
論文 参考訳(メタデータ) (2024-02-08T18:59:53Z) - Learning to Explore Informative Trajectories and Samples for Embodied
Perception [24.006056116516618]
未知の実施課題に対する知覚モデルの一般化は不十分である。
探索政策を自己管理する3次元意味分布マップを構築した。
そこで本研究では, 意味的分布の不確実性に基づいて, トラジェクトリのハードサンプルを選択することを提案する。
実験により,本手法で微調整した知覚モデルは,他の探索政策で訓練したベースラインよりも優れていた。
論文 参考訳(メタデータ) (2023-03-20T08:20:04Z) - Self-improving object detection via disagreement reconciliation [30.971936386281275]
本稿では,既存の物体検出装置を探索し,新たな環境下で画像を取得しながら自動的に微調整する方法について検討する。
同一対象に対する擬似ラベルは、異なる視点で一貫性を持たなければならないと仮定することにより、観察間のコンセンサスから洗練された予測を生成する新しいメカニズムを考案する。
提案手法では, 既製の物体検出装置をmAPで2.66%改善し, 地平線アノテーションに頼らずに現状を上回っている。
論文 参考訳(メタデータ) (2023-02-21T12:20:46Z) - Stochastic Coherence Over Attention Trajectory For Continuous Learning
In Video Streams [64.82800502603138]
本稿では,映像ストリーム中のピクセルワイズ表現を段階的かつ自律的に開発するための,ニューラルネットワークに基づく新しいアプローチを提案する。
提案手法は, 参加者の入場地を観察することで, エージェントが学習できる, 人間の様の注意機構に基づく。
実験では,3次元仮想環境を利用して,映像ストリームを観察することで,エージェントが物体の識別を学べることを示す。
論文 参考訳(メタデータ) (2022-04-26T09:52:31Z) - Information is Power: Intrinsic Control via Information Capture [110.3143711650806]
我々は,潜時状態空間モデルを用いて推定したエージェントの状態訪問のエントロピーを最小化する,コンパクトで汎用的な学習目的を論じる。
この目的は、不確実性の低減に対応する環境情報収集と、将来の世界状態の予測不可能性の低減に対応する環境制御の両方をエージェントに誘導する。
論文 参考訳(メタデータ) (2021-12-07T18:50:42Z) - A Survey of Self-Supervised and Few-Shot Object Detection [19.647681501581225]
自己教師付き手法は、オブジェクト検出などの下流タスクにうまく転送されるラベルのないデータから表現を学習することを目的としている。
ほとんどショットされていないオブジェクト検出は、ほとんどデータを持たない新しい(見えない)オブジェクトクラスのモデルをトレーニングすることです。
本調査では, 少数ショット・自己監督型物体検出における最新のアプローチを概観し, 特徴付けする。
論文 参考訳(メタデータ) (2021-10-27T18:55:47Z) - Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。
最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。
それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文 参考訳(メタデータ) (2021-04-16T21:35:08Z) - Synthesizing the Unseen for Zero-shot Object Detection [72.38031440014463]
そこで本研究では,視覚領域における視覚的特徴と視覚的対象の両方を学習するために,視覚的特徴を合成することを提案する。
クラスセマンティックスを用いた新しい生成モデルを用いて特徴を生成するだけでなく,特徴を識別的に分離する。
論文 参考訳(メタデータ) (2020-10-19T12:36:11Z) - Latent World Models For Intrinsically Motivated Exploration [140.21871701134626]
画像に基づく観察のための自己教師付き表現学習法を提案する。
我々は、部分的に観測可能な環境の探索を導くために、エピソードおよび寿命の不確実性を考慮する。
論文 参考訳(メタデータ) (2020-10-05T19:47:04Z) - Co-training for On-board Deep Object Detection [0.0]
人間のラベル付きバウンディングボックスを頼りにすることにより、最高のディープビジョンベースのオブジェクト検出器を教師付きで訓練する。
共同学習は、未ラベル画像における自己ラベルオブジェクトの半教師付き学習手法である。
我々は、協調学習がオブジェクトのラベル付けを緩和し、タスクに依存しないドメイン適応と単独で作業するためのパラダイムであることを示す。
論文 参考訳(メタデータ) (2020-08-12T19:08:59Z) - Semantic Curiosity for Active Visual Learning [45.75355448193764]
物体検出のための対話型学習を具体化する課題について検討する。
私たちのゴールは、エージェントがラベルを取得するデータを選択することで、オブジェクト検出器を学習することです。
論文 参考訳(メタデータ) (2020-06-16T17:59:24Z)
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。