論文の概要: Supervision Interpolation via LossMix: Generalizing Mixup for Object Detection and Beyond

• arxiv url: http://arxiv.org/abs/2303.10343v2
• Date: Tue, 19 Dec 2023 07:44:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 02:38:50.979265
• Title: Supervision Interpolation via LossMix: Generalizing Mixup for Object Detection and Beyond
• Title（参考訳）: LossMixによるスーパービジョン補間:オブジェクト検出のための混合の一般化
• Authors: Thanh Vu, Baochen Sun, Bodi Yuan, Alex Ngai, Yueqi Li, Jan-Michael Frahm
• Abstract要約: LossMixは単純だが汎用的で効果的な正規化であり、物体検出器の性能と堅牢性を高める。 PASCAL VOCとMS COCOデータセットの実証結果は、LossMixが検出のための最先端の手法を一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 10.25372189905226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The success of data mixing augmentations in image classification tasks has been well-received. However, these techniques cannot be readily applied to object detection due to challenges such as spatial misalignment, foreground/background distinction, and plurality of instances. To tackle these issues, we first introduce a novel conceptual framework called Supervision Interpolation (SI), which offers a fresh perspective on interpolation-based augmentations by relaxing and generalizing Mixup. Based on SI, we propose LossMix, a simple yet versatile and effective regularization that enhances the performance and robustness of object detectors and more. Our key insight is that we can effectively regularize the training on mixed data by interpolating their loss errors instead of ground truth labels. Empirical results on the PASCAL VOC and MS COCO datasets demonstrate that LossMix can consistently outperform state-of-the-art methods widely adopted for detection. Furthermore, by jointly leveraging LossMix with unsupervised domain adaptation, we successfully improve existing approaches and set a new state of the art for cross-domain object detection.
• Abstract（参考訳）: 画像分類タスクにおけるデータ混合強化の成功は、よく認識されている。 しかし,これらの手法は,空間的ミスアライメント,前景/背景の区別,複数事例などの課題により,容易に物体検出に適用できない。 これらの課題に対処するため,我々はまず Supervision Interpolation (SI) という新しい概念フレームワークを紹介し,Mixup の緩和と一般化による補間に基づく拡張の新たな視点を提供する。 SIに基づいて,オブジェクト検出器の性能やロバスト性を向上する,シンプルで汎用的で効果的な正規化であるLossMixを提案する。 我々の重要な洞察は、地上の真理ラベルの代わりに損失エラーを補間することで、混合データのトレーニングを効果的に規則化できるということです。 PASCAL VOCとMS COCOデータセットの実証結果は、LossMixが検出に広く採用されている最先端の手法を一貫して上回っていることを示している。 さらに、LosMixと教師なしドメイン適応を併用することにより、既存のアプローチを改善し、クロスドメインオブジェクト検出のための新しい状態を設定する。

関連論文リスト

• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• FIXED: Frustratingly Easy Domain Generalization with Mixup [53.782029033068675]
  ドメイン一般化(Domain Generalization, DG)は、複数のトレーニングドメインから一般化可能なモデルを学ぶことを目的としている。 一般的な戦略は、Mixupcitezhang 2018mixupのようなメソッドによる一般化のためにトレーニングデータを拡張することである。 我々は、MixupベースのDG、すなわちドメイン不変の特徴mIXup(FIX)の簡易かつ効果的な拡張を提案する。 提案手法は,9つの最先端手法よりも優れており,試験精度の面では,ベースラインの平均6.5%を上回っている。
  論文  参考訳（メタデータ） (2022-11-07T09:38:34Z)
• Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
  Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。 本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
  論文  参考訳（メタデータ） (2022-03-21T07:12:18Z)
• Zoom In and Out: A Mixed-scale Triplet Network for Camouflaged Object Detection [0.0]
  本稿では,不明瞭な画像を観察する際の人間の動作を模倣する混合スケール三重項ネットワークbf ZoomNetを提案する。 具体的には、ZoomNetは、ズーム戦略を用いて、設計されたスケール統合ユニットと階層的な混合スケールユニットによって、差別的な混合スケール意味学を学ぶ。 提案したタスクフレンドリなモデルは、4つの公開データセット上の既存の23の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2022-03-05T09:13:52Z)
• MUM : Mix Image Tiles and UnMix Feature Tiles for Semi-Supervised Object Detection [26.032596415721947]
  我々は、半教師付き学習(SSL)フレームワーク用の混合画像タイル用の特徴タイルをアンミックスする、単純で効果的なデータ拡張手法であるMix/UnMix(MUM)を導入する。 提案手法は混合入力画像タイルを作成し,特徴空間で再構成することにより,MUMは非補間擬似ラベルの最近の正規化効果を享受し,有意義な弱いペアを生成することができる。
  論文  参考訳（メタデータ） (2021-11-22T02:46:27Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Railroad is not a Train: Saliency as Pseudo-pixel Supervision for Weakly Supervised Semantic Segmentation [16.560870740946275]
  EPS (Explicit Pseudo-Pixel Supervision) は2つの弱い監督と組み合わせることでピクセルレベルのフィードバックから学習する。 両情報間の補完関係を完全に活用するための共同学習戦略を考案する。 提案手法は, 正確なオブジェクト境界を求め, 共起画素を破棄することにより, 擬似マスクの品質を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-05-19T07:31:11Z)
• Interpolation-based semi-supervised learning for object detection [44.37685664440632]
  オブジェクト検出のための補間に基づく半教師付き学習手法を提案する。 提案した損失は、半教師付き学習と教師付き学習の性能を劇的に向上させる。
  論文  参考訳（メタデータ） (2020-06-03T10:53:44Z)

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。