論文の概要: 2PCNet: Two-Phase Consistency Training for Day-to-Night Unsupervised Domain Adaptive Object Detection

• arxiv url: http://arxiv.org/abs/2303.13853v1
• Date: Fri, 24 Mar 2023 08:22:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-27 15:16:52.032289
• Title: 2PCNet: Two-Phase Consistency Training for Day-to-Night Unsupervised Domain Adaptive Object Detection
• Title（参考訳）: 2pcnet:昼夜無教師ドメイン適応オブジェクト検出のための2相一貫性トレーニング
• Authors: Mikhail Kennerley, Jian-Gang Wang, Bharadwaj Veeravalli, Robby T. Tan
• Abstract要約: 本稿では,これらの問題に対処するため,二相整合性非教師付きドメイン適応ネットワークである2PCNetを提案する。 公開データセットを用いた実験により,本手法は最先端の手法よりも20%優れた結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 30.114398123450236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection at night is a challenging problem due to the absence of night image annotations. Despite several domain adaptation methods, achieving high-precision results remains an issue. False-positive error propagation is still observed in methods using the well-established student-teacher framework, particularly for small-scale and low-light objects. This paper proposes a two-phase consistency unsupervised domain adaptation network, 2PCNet, to address these issues. The network employs high-confidence bounding-box predictions from the teacher in the first phase and appends them to the student's region proposals for the teacher to re-evaluate in the second phase, resulting in a combination of high and low confidence pseudo-labels. The night images and pseudo-labels are scaled-down before being used as input to the student, providing stronger small-scale pseudo-labels. To address errors that arise from low-light regions and other night-related attributes in images, we propose a night-specific augmentation pipeline called NightAug. This pipeline involves applying random augmentations, such as glare, blur, and noise, to daytime images. Experiments on publicly available datasets demonstrate that our method achieves superior results to state-of-the-art methods by 20\%, and to supervised models trained directly on the target data.
• Abstract（参考訳）: 夜のオブジェクト検出は、夜の画像アノテーションがないため、難しい問題である。 いくつかのドメイン適応手法にもかかわらず、高精度な結果を達成することは依然として問題である。 偽陽性の誤り伝播は、確立された学生-教師フレームワーク、特に小規模で低照度なオブジェクトを用いた方法でもまだ観察されている。 本稿では,これらの問題に対処するため,二相無教師付きドメイン適応ネットワークである2PCNetを提案する。 このネットワークは、教師から第1フェーズにおける高信頼境界予測を採用し、第2フェーズにおける教師の再評価を学生の地域提案に付加することで、高信頼と低信頼の擬似ラベルの組み合わせをもたらす。 夜間画像と擬似ラベルは、学生への入力として使用される前にスケールダウンされ、より強力な小型の擬似ラベルを提供する。 画像中の低照度領域や他の夜間関連属性から発生するエラーに対処するため,NightAugと呼ばれる夜間特化パイプラインを提案する。 このパイプラインは、日中の画像にグラア、ぼかし、ノイズなどのランダムな拡張を適用します。 公開データセットを用いた実験により,本手法は20\%の精度で最先端の手法に優れた結果が得られること,および対象データに基づいて直接トレーニングされたモデルを監督できることが証明された。

関連論文リスト

• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Domain-Adaptive 2D Human Pose Estimation via Dual Teachers in Extremely Low-Light Conditions [65.0109231252639]
  低照度ポーズ推定の最近の研究は、トレーニングのために地上の真実とペアの明るい画像と低照度画像を使用する必要がある。 我々の主な新規性は、2つの補完的な教員ネットワークを活用して、より信頼性の高い擬似ラベルを生成することである。 本手法は最新技術(SOTA)法に対して6.8%(2.4 AP)の改善を達成した。
  論文  参考訳（メタデータ） (2024-07-22T08:09:14Z)
• Learning Camouflaged Object Detection from Noisy Pseudo Label [60.9005578956798]
  本稿では,まず,弱い半教師付きカモフラージュオブジェクト検出(COD)法を提案する。 予算効率が高く高精度なカモフラージュされたオブジェクトセグメンテーションを目標とし、完全にラベル付けされた画像が極めて限られている。 本稿では,早期の学習段階において,モデルが正しい画素の学習を容易にするノイズ補正損失を提案する。 完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T04:53:51Z)
• Semi-Supervised 2D Human Pose Estimation Driven by Position Inconsistency Pseudo Label Correction Module [74.80776648785897]
  i) 大規模モデルと軽量モデルの間で対話的なトレーニングを行う場合, 大規模モデルのガイドに擬似的な軽量モデルラベルを用いる。 位置整合性擬似ラベル補正モジュール(SSPCM)により駆動される半教師付き2次元ポーズ推定フレームワークを提案する。 学生モデルの性能向上のために,擬似キーポイント認識に基づく半教師付きカットオクルードを用いて,より硬く効果的なサンプルを生成する。
  論文  参考訳（メタデータ） (2023-03-08T02:57:05Z)
• Domain Adaptive Hand Keypoint and Pixel Localization in the Wild [40.71379707068579]
  我々は,新しい撮像条件下でのキーポイントの後退とピクセルレベルのハンドマスクのセグメンテーションの性能向上を目指す。 本手法は,最新の逆適応法と比較して,HO3Dのマルチタスクスコアを4%改善する。
  論文  参考訳（メタデータ） (2022-03-16T01:32:21Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Seeing BDD100K in dark: Single-Stage Night-time Object Detection via Continual Fourier Contrastive Learning [3.4012007729454816]
  夜間物体検出は、限られた論文のうち、一様でない評価プロトコルを通して、わずかにのみ研究されている。 本稿では,これら3つのギャップを橋渡しする。 均一な評価プロトコルの欠如(その有効性と効率のため、単段検出器を使用する)。 夜間オブジェクト検出のベンチマークのためのデータセットの選択。 現在の選択肢の限界に対処する新しい方法。
  論文  参考訳（メタデータ） (2021-12-06T09:28:45Z)
• W2WNet: a two-module probabilistic Convolutional Neural Network with embedded data cleansing functionality [2.695466667982714]
  wise2wipednet (w2wnet) は新しい2モジュール畳み込みニューラルネットワークである。 Wiseモジュールはベイズ推定を利用してトレーニング中にスプリアス画像を特定し、破棄する。 消去されたモジュールは、推測時の予測信頼度に関する情報を放送しながら最終分類を処理する。
  論文  参考訳（メタデータ） (2021-03-24T11:28:59Z)
• An Empirical Study of the Collapsing Problem in Semi-Supervised 2D Human Pose Estimation [80.02124918255059]
  半教師付き学習は、ラベルなし画像の探索によってモデルの精度を高めることを目的としている。 私たちは相互に教え合うために2つのネットワークを学びます。 各ネットワーク内の容易なイメージに関するより信頼性の高い予測は、他のネットワークに対応するハードイメージについて学ぶように教えるために使用される。
  論文  参考訳（メタデータ） (2020-11-25T03:29:52Z)
• Extreme Consistency: Overcoming Annotation Scarcity and Domain Shifts [2.707399740070757]
  教師付き学習は医用画像解析に有効であることが証明された。 これは小さなラベル付きデータのみを利用することができる。 医療画像データセットでよく見られる大量のラベルのないデータを活用するのに失敗する。
  論文  参考訳（メタデータ） (2020-04-15T15:32:01Z)

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。