論文の概要: Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection

• arxiv url: http://arxiv.org/abs/2303.14960v1
• Date: Mon, 27 Mar 2023 07:46:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 16:36:35.502880
• Title: Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection
• Title（参考訳）: ディエンス物体検出のためのあいまいさ耐性半教師付き学習
• Authors: Chang Liu, Weiming Zhang, Xiangru Lin, Wei Zhang, Xiao Tan, Junyu Han, Xiaomao Li, Errui Ding, Jingdong Wang
• Abstract要約: 本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
• 参考スコア（独自算出の注目度）: 98.66771688028426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With basic Semi-Supervised Object Detection (SSOD) techniques, one-stage detectors generally obtain limited promotions compared with two-stage clusters. We experimentally find that the root lies in two kinds of ambiguities: (1) Selection ambiguity that selected pseudo labels are less accurate, since classification scores cannot properly represent the localization quality. (2) Assignment ambiguity that samples are matched with improper labels in pseudo-label assignment, as the strategy is misguided by missed objects and inaccurate pseudo boxes. To tackle these problems, we propose a Ambiguity-Resistant Semi-supervised Learning (ARSL) for one-stage detectors. Specifically, to alleviate the selection ambiguity, Joint-Confidence Estimation (JCE) is proposed to jointly quantifies the classification and localization quality of pseudo labels. As for the assignment ambiguity, Task-Separation Assignment (TSA) is introduced to assign labels based on pixel-level predictions rather than unreliable pseudo boxes. It employs a "divide-and-conquer" strategy and separately exploits positives for the classification and localization task, which is more robust to the assignment ambiguity. Comprehensive experiments demonstrate that ARSL effectively mitigates the ambiguities and achieves state-of-the-art SSOD performance on MS COCO and PASCAL VOC. Codes can be found at https://github.com/PaddlePaddle/PaddleDetection.
• Abstract（参考訳）: SSOD(Semi-Supervised Object Detection)技術により、一段検出器は一般に二段クラスターと比較して限られたプロモーションを得る。 1) 選択された擬似ラベルの曖昧さは, 分類スコアが局所的品質を適切に表現できないため, 精度が低い。 2) サンプルが擬似ラベルの付与において不適切なラベルと一致するという指示の曖昧さ。 これらの問題に対処するために,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 具体的には,選択の曖昧さを緩和するため,疑似ラベルの分類と局所化品質を共同で定量化するためにjce(joint-confidence estimation)を提案する。 割り当ての曖昧性については、信頼できない擬似ボックスではなく、ピクセルレベルの予測に基づいてラベルを割り当てるためにタスク分離割り当て(tsa)が導入される。 ディビジョン・アンド・コンクエスト(divide-and-conquer)戦略を採用し、分類と局所化のタスクに別々にプラスを活用し、割り当ての曖昧さに対してより堅牢である。 総合的な実験により、ARSLは曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成することが示されている。 コードはhttps://github.com/PaddlePaddle/PaddleDetectionで見ることができる。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Towards Adaptive Pseudo-label Learning for Semi-Supervised Temporal Action Localization [10.233225586034665]
  既存の手法はしばしば厳密な条件に基づいて擬似ラベルをフィルタリングし、最適でない擬似ラベルのランク付けと選択につながる。 擬似ラベル選択を容易にするための適応擬似ラベル学習フレームワークを提案する。 本手法は,各種半教師付き環境下での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-07-10T14:00:19Z)
• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Mind the Gap: Polishing Pseudo labels for Accurate Semi-supervised Object Detection [18.274860417877093]
  半教師対象検出(SSOD)のための二重擬似ラベル研磨フレームワークを提案する。 教師検出器が生成する擬似ラベルを直接利用するのではなく, 地平からの逸脱を減らすための最初の試みを行う。 これにより、どちらの研磨ネットワークも、アノテーションのないオブジェクトに対してより正確な擬似ラベルを推測することができる。
  論文  参考訳（メタデータ） (2022-07-17T14:07:49Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Hard Class Rectification for Domain Adaptation [36.58361356407803]
  ドメイン適応(DA)は、ラベルリッチドメイン(ソースドメイン)からラベルケアドメイン(ターゲットドメイン)に知識を移すことを目的としている。 本稿では,HCRPL(Hard Class Rectification Pseudo-labeling)と呼ばれる新しいフレームワークを提案する。 提案手法は,非教師付きドメイン適応(UDA)と半教師付きドメイン適応(SSDA)の両方において評価される。
  論文  参考訳（メタデータ） (2020-08-08T06:21:58Z)

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。