論文の概要: ScarceNet: Animal Pose Estimation with Scarce Annotations

• arxiv url: http://arxiv.org/abs/2303.15023v1
• Date: Mon, 27 Mar 2023 09:15:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 16:19:35.165577
• Title: ScarceNet: Animal Pose Estimation with Scarce Annotations
• Title（参考訳）: ScarceNet:スカースアノテーションによる動物行動の推定
• Authors: Chen Li and Gim Hee Lee
• Abstract要約: ScarceNetは、ラベルのない画像のための人工ラベルを生成するための擬似ラベルベースのアプローチである。 我々は、既存の半教師付きアプローチを大きなマージンで上回る、挑戦的なAP-10Kデータセットに対するアプローチを評価する。
• 参考スコア（独自算出の注目度）: 74.48263583706712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Animal pose estimation is an important but under-explored task due to the lack of labeled data. In this paper, we tackle the task of animal pose estimation with scarce annotations, where only a small set of labeled data and unlabeled images are available. At the core of the solution to this problem setting is the use of the unlabeled data to compensate for the lack of well-labeled animal pose data. To this end, we propose the ScarceNet, a pseudo label-based approach to generate artificial labels for the unlabeled images. The pseudo labels, which are generated with a model trained with the small set of labeled images, are generally noisy and can hurt the performance when directly used for training. To solve this problem, we first use a small-loss trick to select reliable pseudo labels. Although effective, the selection process is improvident since numerous high-loss samples are left unused. We further propose to identify reusable samples from the high-loss samples based on an agreement check. Pseudo labels are re-generated to provide supervision for those reusable samples. Lastly, we introduce a student-teacher framework to enforce a consistency constraint since there are still samples that are neither reliable nor reusable. By combining the reliable pseudo label selection with the reusable sample re-labeling and the consistency constraint, we can make full use of the unlabeled data. We evaluate our approach on the challenging AP-10K dataset, where our approach outperforms existing semi-supervised approaches by a large margin. We also test on the TigDog dataset, where our approach can achieve better performance than domain adaptation based approaches when only very few annotations are available. Our code is available at the project website.
• Abstract（参考訳）: 動物のポーズ推定は、ラベル付きデータの欠如により重要だが未探索の課題である。 本稿では,ラベル付きデータとラベル付き画像の小さなセットのみを利用可能とする,少ないアノテーションで動物のポーズ推定の課題に取り組む。 この問題の解決策の核心は、よくラベルされた動物のポーズデータの欠如を補うためにラベルのないデータを使用することである。 そこで本研究では,ラベルのない画像に対して人工ラベルを生成するための擬似ラベルベース手法であるscarcenetを提案する。 擬似ラベルは、ラベル付き画像の小さなセットで訓練されたモデルで生成されるが、一般的にノイズが多く、トレーニングに直接使用するとパフォーマンスが損なわれる。 この問題を解決するために、まず、信頼できる擬似ラベルを選択するために、小さな損失のトリックを使う。 有効ではあるが、多数の高損失サンプルが使われていないため、選択プロセスは即効性がある。 さらに,合意チェックに基づいて,高損失サンプルから再利用可能なサンプルを特定することを提案する。 擬似ラベルは再生成され、再利用可能なサンプルの監視を提供する。 最後に、信頼性や再利用可能なサンプルがまだ残っているため、一貫性の制約を強制する学生-教師フレームワークを導入する。 信頼度の高い擬似ラベル選択と再利用サンプル再ラベルと一貫性制約を組み合わせることで、未ラベルデータを完全に活用することができる。 我々は、既存の半教師付きアプローチを大きなマージンで上回るAP-10Kデータセットに対するアプローチを評価する。 また、TigDogデータセットでテストし、アノテーションが少ない場合に、ドメイン適応ベースのアプローチよりも優れたパフォーマンスを実現できるようにしています。 私たちのコードはプロジェクトのWebサイトで利用可能です。

関連論文リスト

• Pseudo-Labeling by Multi-Policy Viewfinder Network for Image Cropping [19.12798332848528]
  我々は,ラベル付きデータとラベルなしデータの両方を併用して,画像収穫モデルのトレーニングデータの規模を拡大する可能性を探る。 このアイデアは、教師モデルによってラベルのないデータのための擬似ラベルを作成し、これらの擬似ラベルで学生モデルを訓練する、擬似ラベル方式で実装することができる。 本稿では,教師からの擬似ラベルの誤りを正すために,多種多様な修正ポリシーを提供する多言語ビューファインダーネットワーク(MPV-Net)を提案する。
  論文  参考訳（メタデータ） (2024-07-02T06:02:05Z)
• You can't handle the (dirty) truth: Data-centric insights improve pseudo-labeling [60.27812493442062]
  擬似ラベル法を改善するためにラベル付きデータ品質を調査することが重要であることを示す。 具体的には、擬似ラベルの拡張のために、DIPSと呼ばれる新しいデータキャラクタリゼーションと選択フレームワークを導入する。 本研究では,多種多様な実世界のデータセットを対象とした擬似ラベル手法に対するDIPSの適用性と影響を実証する。
  論文  参考訳（メタデータ） (2024-06-19T17:58:40Z)
• Robust Assignment of Labels for Active Learning with Sparse and Noisy Annotations [0.17188280334580192]
  監視された分類アルゴリズムは、世界中の多くの現実の問題を解決するために使用される。 残念なことに、多くのタスクに対して良質なアノテーションを取得することは、実際に行うには不可能か、あるいはコストがかかりすぎます。 サンプル空間のラベルのない部分を利用する2つの新しいアノテーション統一アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-25T19:40:41Z)
• Soft Curriculum for Learning Conditional GANs with Noisy-Labeled and Uncurated Unlabeled Data [70.25049762295193]
  本稿では,トレーニング中にノイズラベル付きおよび未処理データを受け入れる条件付き画像生成フレームワークを提案する。 本稿では,ラベルのないデータに新たなラベルを割り当てながら,逆行訓練にインスタンスワイドを割り当てるソフトカリキュラム学習を提案する。 実験により,本手法は,定量および定性性能の両面において,既存の半教師付き・ラベル付きロバストな手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-17T08:31:59Z)
• Partial-Label Regression [54.74984751371617]
  部分ラベル学習は、弱い教師付き学習環境であり、各トレーニング例に候補ラベルのセットをアノテートすることができる。 部分ラベル学習に関する従来の研究は、候補ラベルがすべて離散的な分類設定のみに焦点を当てていた。 本稿では,各トレーニング例に実値付き候補ラベルのセットをアノテートした部分ラベル回帰を初めて検討する。
  論文  参考訳（メタデータ） (2023-06-15T09:02:24Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Pseudo-Label Noise Suppression Techniques for Semi-Supervised Semantic Segmentation [21.163070161951868]
  半消費学習(SSL)は、教師なしデータをトレーニングに組み込むことで、大きなラベル付きデータセットの必要性を減らすことができる。 現在のSSLアプローチでは、初期教師付きトレーニングモデルを使用して、擬似ラベルと呼ばれる未ラベル画像の予測を生成する。 擬似ラベルノイズと誤りを3つのメカニズムで制御する。
  論文  参考訳（メタデータ） (2022-10-19T09:46:27Z)
• Boosting Semi-Supervised Face Recognition with Noise Robustness [54.342992887966616]
  本稿では,自動ラベルによるラベル雑音に対して頑健な半教師付き顔認識に対する効果的な解法を提案する。 そこで我々は,gnが強化するロバストな学習能力に基づく,ノイズロバスト学習ラベリング(nroll)という,半教師付き顔認識ソリューションを開発した。
  論文  参考訳（メタデータ） (2021-05-10T14:43:11Z)
• Complementary Pseudo Labels For Unsupervised Domain Adaptation On Person Re-identification [46.17084786039097]
  本稿では,高い精度の隣接する擬似ラベルと高いリコールグループ擬似ラベルを用いて,より優れた特徴埋め込みを学習するための共同学習フレームワークを提案する。 本手法は、教師なし領域適応型re-ID設定の下で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2021-01-29T11:06:36Z)

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。