論文の概要: The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge Detector

• arxiv url: http://arxiv.org/abs/2303.11828v1
• Date: Tue, 21 Mar 2023 13:14:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 15:07:32.997663
• Title: The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge Detector
• Title（参考訳）: 複数のアノテーションの下の宝物:不確実なエッジ検出器
• Authors: Caixia Zhou and Yaping Huang and Mengyang Pu and Qingji Guan and Li Huang and Haibin Ling
• Abstract要約: 既存のメソッドは、単純な投票プロセスを使用して複数のアノテーションを融合し、エッジ固有の曖昧さを無視し、アノテータのラベル付けバイアスを無視する。 多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。 UAEDは複数のエッジ検出ベンチマークで一貫したパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 70.43599299422813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based edge detectors heavily rely on pixel-wise labels which are often provided by multiple annotators. Existing methods fuse multiple annotations using a simple voting process, ignoring the inherent ambiguity of edges and labeling bias of annotators. In this paper, we propose a novel uncertainty-aware edge detector (UAED), which employs uncertainty to investigate the subjectivity and ambiguity of diverse annotations. Specifically, we first convert the deterministic label space into a learnable Gaussian distribution, whose variance measures the degree of ambiguity among different annotations. Then we regard the learned variance as the estimated uncertainty of the predicted edge maps, and pixels with higher uncertainty are likely to be hard samples for edge detection. Therefore we design an adaptive weighting loss to emphasize the learning from those pixels with high uncertainty, which helps the network to gradually concentrate on the important pixels. UAED can be combined with various encoder-decoder backbones, and the extensive experiments demonstrate that UAED achieves superior performance consistently across multiple edge detection benchmarks. The source code is available at \url{https://github.com/ZhouCX117/UAED}
• Abstract（参考訳）: 深層学習に基づくエッジ検出器は、複数のアノテータによってしばしば提供されるピクセルワイドラベルに大きく依存している。 既存のメソッドは単純な投票プロセスを使って複数のアノテーションを融合させ、エッジの固有のあいまいさを無視し、アノテーションのバイアスをラベル付けする。 本稿では,多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。 具体的には, 決定論的ラベル空間を学習可能なガウス分布に変換する。 次に,予測されたエッジマップの不確実性として学習した分散を考察し,不確実性の高い画素はエッジ検出の難しいサンプルとなる可能性を示した。 そこで,重み付け損失を適応的に設計し,不確実性の高い画素からの学習を強調することで,ネットワークが徐々に重要な画素に集中するのに役立つ。 uaedは様々なエンコーダ/デコーダバックボーンと組み合わせることができ、広範な実験により、uaedは複数のエッジ検出ベンチマークで一貫して優れたパフォーマンスを達成できることが示されている。 ソースコードは \url{https://github.com/ZhouCX117/UAED} で入手できる。

関連論文リスト

• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• ED$^4$: Explicit Data-level Debiasing for Deepfake Detection [24.695989108814018]
  限られたデータから固有のバイアスを学習することは、一般化可能なディープフェイク検出の失敗の主な原因と考えられている。 データレベルで上記のバイアスに明示的に対処するためのシンプルで効果的な戦略であるED$4$を提示します。 我々は,既存のディープフェイク検出手法よりも有効性と優位性を示すため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-08-13T10:05:20Z)
• Graph Anomaly Detection with Noisy Labels by Reinforcement Learning [13.135788402192215]
  本稿では,新しいフレームワークREGAD,すなわちReinforced Graph Anomaly Detectorを提案する。 具体的には,高信頼ラベルを用いたノード間を近似したノイズエッジを切断することにより,ベース検出器の性能向上(AUC)を最大化することを目的とする。
  論文  参考訳（メタデータ） (2024-07-08T13:41:21Z)
• Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
  LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。 より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。 提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
  論文  参考訳（メタデータ） (2023-11-19T09:41:10Z)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object Detection [66.10057490293981]
  半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。 本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2021-03-29T09:27:23Z)
• Pixel-wise Anomaly Detection in Complex Driving Scenes [30.884375526254836]
  本稿では,不確実性マップを用いて異常検出を改善する画素方向異常検出フレームワークを提案する。 私たちのアプローチは、すでにトレーニング済みのセグメンテーションネットワークの一般的なフレームワークとして機能します。 さまざまな異常データセットを対象としたトップ2パフォーマンスは、異なる異常インスタンスを扱うアプローチの堅牢性を示している。
  論文  参考訳（メタデータ） (2021-03-09T14:26:20Z)

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。