論文の概要: Weakly Supervised Knowledge Transfer with Probabilistic Logical Reasoning for Object Detection

• arxiv url: http://arxiv.org/abs/2303.05148v1
• Date: Thu, 9 Mar 2023 10:03:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-10 15:27:59.763145
• Title: Weakly Supervised Knowledge Transfer with Probabilistic Logical Reasoning for Object Detection
• Title（参考訳）: 確率的論理推論を用いた物体検出のための弱教師付き知識伝達
• Authors: Martijn Oldenhof, Adam Arany, Yves Moreau and Edward De Brouwer
• Abstract要約: オブジェクト検出モデルのトレーニングは通常、各画像に存在するすべてのオブジェクトの位置やラベルなど、インスタンスレベルのアノテーションを必要とする。 残念ながらこのような監視は必ずしも可能ではなく、より多くは画像レベルの情報のみ提供され、弱い監督(英語版)としても知られている。 ProbKTは、オブジェクト検出モデルを任意の種類の弱い監視で訓練できるフレームワークである。
• 参考スコア（独自算出の注目度）: 6.88204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training object detection models usually requires instance-level annotations, such as the positions and labels of all objects present in each image. Such supervision is unfortunately not always available and, more often, only image-level information is provided, also known as weak supervision. Recent works have addressed this limitation by leveraging knowledge from a richly annotated domain. However, the scope of weak supervision supported by these approaches has been very restrictive, preventing them to use all available information. In this work, we propose ProbKT, a framework based on probabilistic logical reasoning that allows to train object detection models with arbitrary types of weak supervision. We empirically show on different datasets that using all available information is beneficial as our ProbKT leads to significant improvement on target domain and better generalization compared to existing baselines. We also showcase the ability of our approach to handle complex logic statements as supervision signal.
• Abstract（参考訳）: オブジェクト検出モデルのトレーニングは通常、各画像に存在するすべてのオブジェクトの位置やラベルなどのインスタンスレベルのアノテーションを必要とする。 残念ながらこのような監視は必ずしも可能ではなく、より多くは画像レベルの情報のみ提供され、弱い監督としても知られている。 最近の研究は、豊富な注釈付きドメインからの知識を活用することで、この制限に対処している。 しかしながら、これらのアプローチによって支持される弱い監視の範囲は非常に制限されており、利用可能なすべての情報を使用することができない。 本稿では,確率論的論理的推論に基づくフレームワークであるProbKTを提案する。 probktがターゲットドメインを大幅に改善し、既存のベースラインよりもより良い一般化につながるため、利用可能なすべての情報を使用することが有益なことを、さまざまなデータセットで実証的に示しています。 また、複雑な論理文を監視信号として扱う方法についても紹介する。

関連論文リスト

• Finding Dino: A plug-and-play framework for unsupervised detection of out-of-distribution objects using prototypes [12.82756672393553]
  ラベルを含まないPRototype-based zero-shot OOD Detection (PROWL) ラベルなしのPROWL(PRototype-based zero-shot OOD Detection Without Labels)を提案する。 ドメインデータセットのトレーニングを必要としない推論ベースのメソッドである。 また、鉄道や海上のシーンなど他の領域にも適合することを示す。
  論文  参考訳（メタデータ） (2024-04-11T11:55:42Z)
• Towards End-to-End Unsupervised Saliency Detection with Self-Supervised Top-Down Context [25.85453873366275]
  トップダウンコンテキストを介し、自己教師付きエンドツーエンドの有能なオブジェクト検出フレームワークを提案する。 最も深い特徴から自己ローカライゼーションを生かして位置マップを構築し,最も指導的なセグメンテーション指導を学習する。 提案手法は,近年のエンド・ツー・エンド手法と,多段階ソリューションの大部分において,先行的な性能を実現する。
  論文  参考訳（メタデータ） (2023-10-14T08:43:22Z)
• Comparing AutoML and Deep Learning Methods for Condition Monitoring using Realistic Validation Scenarios [0.0]
  本研究では、AutoMLツールボックスを用いた条件監視タスクにおける従来の機械学習手法とディープラーニングを広範囲に比較する。 実験では、ランダムなK倍のクロスバリデーションシナリオにおいて、全ての試験モデルに対して一貫した高い精度を示す。 実際のシナリオにおけるドメインシフトの存在を示す明確な勝者は現れない。
  論文  参考訳（メタデータ） (2023-08-28T14:57:29Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Object Discovery via Contrastive Learning for Weakly Supervised Object Detection [12.822548027334328]
  Weakly Supervised Object Detectionは、画像レベルのアノテーションのみに基づいてトレーニングされたモデルを使用して、画像内のオブジェクトを検出するタスクである。 本稿では,オブジェクト発見と呼ばれる新しい複数インスタンスラベリング手法を提案する。 我々は,MS-COCO 2014 と 2017 と PASCAL VOC 2012 と,PASCAL VOC 2007 の競争結果を得た。
  論文  参考訳（メタデータ） (2022-08-16T07:36:12Z)
• 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)
• Disambiguation of weak supervision with exponential convergence rates [88.99819200562784]
  教師付き学習では、データは不完全で差別的な情報で注釈付けされる。 本稿では,ある入力から潜在的な対象のセットが与えられる弱い監督の事例である部分的ラベリングに焦点を当てる。 弱い監督から完全な監督を回復する実証的曖昧化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-04T18:14:32Z)
• Open-Vocabulary Object Detection Using Captions [42.76261152761722]
  オープンボキャブラリオブジェクト検出は、弱教師付きおよびゼロショットアプローチよりも一般的で、実用的で、効果的である。 提案手法は,トレーニング中に境界ボックスアノテーションが提供されないオブジェクトを,ゼロショットアプローチよりもはるかに高い精度で検出し,ローカライズすることができることを示す。
  論文  参考訳（メタデータ） (2020-11-20T23:05:46Z)
• Weakly-supervised Salient Instance Detection [65.0408760733005]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2020-09-29T09:47:23Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
  弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。 これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。 本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-03-02T13:59:41Z)

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。