論文の概要: Pushing the Envelope for Depth-Based Semi-Supervised 3D Hand Pose Estimation with Consistency Training

• arxiv url: http://arxiv.org/abs/2303.15147v1
• Date: Mon, 27 Mar 2023 12:32:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 15:33:14.111395
• Title: Pushing the Envelope for Depth-Based Semi-Supervised 3D Hand Pose Estimation with Consistency Training
• Title（参考訳）: 深度に基づく半監督型3次元ハンドポース推定のための一貫性トレーニングによるエンベロープのプッシュ
• Authors: Mohammad Rezaei, Farnaz Farahanipad, Alex Dillhoff, Vassilis Athitsos
• Abstract要約: ラベル付きトレーニングデータへの依存を著しく低減する半教師付き手法を提案する。 提案手法は,教師ネットワークと学生ネットワークの2つの同一ネットワークを共同で訓練した。 実験により,提案手法は最先端の半教師付き手法よりも大きなマージンで優れていることが示された。
• 参考スコア（独自算出の注目度）: 2.6954666679827137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the significant progress that depth-based 3D hand pose estimation methods have made in recent years, they still require a large amount of labeled training data to achieve high accuracy. However, collecting such data is both costly and time-consuming. To tackle this issue, we propose a semi-supervised method to significantly reduce the dependence on labeled training data. The proposed method consists of two identical networks trained jointly: a teacher network and a student network. The teacher network is trained using both the available labeled and unlabeled samples. It leverages the unlabeled samples via a loss formulation that encourages estimation equivariance under a set of affine transformations. The student network is trained using the unlabeled samples with their pseudo-labels provided by the teacher network. For inference at test time, only the student network is used. Extensive experiments demonstrate that the proposed method outperforms the state-of-the-art semi-supervised methods by large margins.
• Abstract（参考訳）: 近年,深度に基づく3次元手ポーズ推定法が著しく進歩しているにもかかわらず,精度を高めるには大量のラベル付きトレーニングデータが必要である。 しかし、そのようなデータの収集は費用も時間もかかる。 そこで本研究では,ラベル付きトレーニングデータへの依存を著しく低減する半教師付き手法を提案する。 提案手法は,教師ネットワークと学生ネットワークの2つの同一ネットワークを共同で訓練した。 教師ネットワークは、利用可能なラベル付きサンプルとラベルなしサンプルの両方を使用してトレーニングされる。 ラベルのないサンプルを損失定式化を通じて活用し、一連のアフィン変換の下で推定等価性を奨励する。 学生ネットワークは、教師ネットワークが提供する擬似ラベルを用いて、未ラベルのサンプルを用いて訓練される。 テスト時の推論には、学生ネットワークのみを使用する。 大規模な実験により,提案手法は最先端の半教師付き手法よりも高い性能を示した。

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)
• Doubly Robust Self-Training [46.168395767948965]
  本稿では,新しい半教師付きアルゴリズムである二重頑健な自己学習を導入する。 通常の自己学習ベースラインよりも2倍頑健な損失の優位性を実証する。
  論文  参考訳（メタデータ） (2023-06-01T00:57:16Z)
• Analysis of Semi-Supervised Methods for Facial Expression Recognition [19.442685015494316]
  画像認識のためのディープニューラルネットワークのトレーニングは、大規模な人間の注釈付きデータを必要とすることが多い。 ラベル付きデータに対するディープ・ニューラル・ソリューションの信頼性を低減するための半教師付き手法が提案されている。 本研究は,クラス毎に250以上のラベル付きサンプルを用いて,既存の半教師付きメソッドをトレーニングする場合,全ラベル付きデータセットでトレーニングした完全教師付きメソッドと同等のパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2022-07-31T23:58:35Z)
• Learning from Data with Noisy Labels Using Temporal Self-Ensemble [11.245833546360386]
  ディープニューラルネットワーク(DNN)はノイズラベルを記憶する膨大な能力を持つ。 現在最先端の手法では、損失の少ないサンプルを用いて二重ネットワークを訓練するコトレーニング方式が提案されている。 本稿では,単一のネットワークのみをトレーニングすることで,シンプルで効果的なロバストトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T08:16:31Z)
• Semi-Supervised Training to Improve Player and Ball Detection in Soccer [11.376125584750548]
  本稿では,ラベル付き画像データセットに基づいて,サッカー放送ビデオの大規模なラベル付きデータセットを活用することによって,ネットワークをトレーニングするための新しい半教師付き手法を提案する。 トレーニングプロセスにラベル付きデータを含めることで、ラベル付きデータのみに基づいてトレーニングされた検出ネットワークの性能を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-04-14T10:20:56Z)
• Active Learning for Deep Visual Tracking [51.5063680734122]
  畳み込みニューラルネットワーク(CNN)は近年,単一目標追跡タスクに成功している。 本稿では,ディープ・ビジュアル・トラッキングのためのアクティブ・ラーニング手法を提案する。 アクティブラーニングの指導のもと、トレーニングされた深層CNNモデルに基づくトラッカーは、ラベリングコストを低減しつつ、競合的なトラッキング性能を達成することができる。
  論文  参考訳（メタデータ） (2021-10-17T11:47:56Z)
• Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
  ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。 半教師付き長尾認識という新しい認識設定を提案する。 2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
  論文  参考訳（メタデータ） (2021-05-01T00:43:38Z)
• One Thing One Click: A Self-Training Approach for Weakly Supervised 3D Semantic Segmentation [78.36781565047656]
  私たちは、アノテーションーがオブジェクトごとに1ポイントだけラベルを付ける必要があることを意味する「One Thing One Click」を提案します。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 私たちの結果は、完全に監督されたものと同等です。
  論文  参考訳（メタデータ） (2021-04-06T02:27:25Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• DivideMix: Learning with Noisy Labels as Semi-supervised Learning [111.03364864022261]
  ノイズラベルを学習するためのフレームワークであるDivideMixを提案する。 複数のベンチマークデータセットの実験は、最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-02-18T06:20:06Z)

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。