論文の概要: MuRAL: Multi-Scale Region-based Active Learning for Object Detection

• arxiv url: http://arxiv.org/abs/2303.16637v1
• Date: Wed, 29 Mar 2023 12:52:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 14:49:52.585954
• Title: MuRAL: Multi-Scale Region-based Active Learning for Object Detection
• Title（参考訳）: MuRAL: オブジェクト検出のためのマルチスケール領域ベースアクティブラーニング
• Authors: Yi-Syuan Liou, Tsung-Han Wu, Jia-Fong Yeh, Wen-Chin Chen, Winston H. Hsu
• Abstract要約: オブジェクト検出のためのマルチスケール領域ベースアクティブラーニング(MuRAL)と呼ばれる新しい手法を提案する。 MuRALは、様々なスケールの情報領域を特定して、よく学習されたオブジェクトのアノテーションコストを削減する。 提案手法は,Cityscapes および MS COCO データセットの粗粒度および細粒度ベースラインを網羅する。
• 参考スコア（独自算出の注目度）: 20.478741635006116
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Obtaining large-scale labeled object detection dataset can be costly and time-consuming, as it involves annotating images with bounding boxes and class labels. Thus, some specialized active learning methods have been proposed to reduce the cost by selecting either coarse-grained samples or fine-grained instances from unlabeled data for labeling. However, the former approaches suffer from redundant labeling, while the latter methods generally lead to training instability and sampling bias. To address these challenges, we propose a novel approach called Multi-scale Region-based Active Learning (MuRAL) for object detection. MuRAL identifies informative regions of various scales to reduce annotation costs for well-learned objects and improve training performance. The informative region score is designed to consider both the predicted confidence of instances and the distribution of each object category, enabling our method to focus more on difficult-to-detect classes. Moreover, MuRAL employs a scale-aware selection strategy that ensures diverse regions are selected from different scales for labeling and downstream finetuning, which enhances training stability. Our proposed method surpasses all existing coarse-grained and fine-grained baselines on Cityscapes and MS COCO datasets, and demonstrates significant improvement in difficult category performance.
• Abstract（参考訳）: 大規模なラベル付きオブジェクト検出データセットを得ることは、バウンディングボックスとクラスラベルでイメージに注釈を付けることを伴うため、コストと時間がかかる。 そこで,ラベル付されていないデータから粗粒サンプルか細粒インスタンスを選択することで,コストを削減するための専門的なアクティブラーニング手法が提案されている。 しかしながら、前者のアプローチは冗長なラベル付けに苦しむ一方で、後者の手法は一般的にトレーニングの不安定性とサンプリングバイアスにつながる。 これらの課題に対処するために、オブジェクト検出のためのマルチスケール領域ベースアクティブラーニング(MuRAL)と呼ばれる新しいアプローチを提案する。 MuRALは、様々なスケールの情報領域を特定し、よく学習されたオブジェクトのアノテーションコストを削減し、トレーニング性能を向上させる。 informative region scoreは、インスタンスの予測された信頼性と各オブジェクトのカテゴリの分布の両方を考慮し、より検出の難しいクラスに集中できるように設計されている。 さらに,多様な地域をラベル付けや下流の微調整のために選択し,トレーニング安定性を高めるためのスケールアウェア選択戦略も採用している。 提案手法は,Cityscapes および MS COCO データセットの粗粒度および細粒度ベースラインを網羅し,難カテゴリー性能の大幅な向上を示す。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• 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)
• MUS-CDB: Mixed Uncertainty Sampling with Class Distribution Balancing for Active Annotation in Aerial Object Detection [40.94800050576902]
  最近の空中物体検出モデルは大量のラベル付きトレーニングデータに依存している。 アクティブラーニングは、情報および代表的未ラベルサンプルを選択的にクエリすることで、データラベリングコストを効果的に削減する。 本稿では,費用対効果の高い空中物体検出のための新しい能動学習手法を提案する。
  論文  参考訳（メタデータ） (2022-12-06T07:50:00Z)
• In Defense of Core-set: A Density-aware Core-set Selection for Active Learning [3.6753274024067593]
  実世界のアクティブな学習シナリオでは、選択されたサンプルの多様性を考慮することが重要である。 本研究では,密度レンズを用いて特徴空間を解析し,密度認識コアセット(DACS)を提案する。 本手法は, 未ラベル試料の密度を推定し, 主にスパース領域から多種多様な試料を抽出する。
  論文  参考訳（メタデータ） (2022-06-10T01:47:49Z)
• Self-supervised Assisted Active Learning for Skin Lesion Segmentation [18.78959113954792]
  ラベルの不足は、高いアノテーションコストと専門的な要件のために、バイオメディカルなイメージセグメンテーションの長年の問題であった。 そこで本研究では,まず,自己教師型学習でセグメンテーションモデルをウォームアップする,冷間開始環境における自己教師型アクティブラーニングフレームワークを提案する。 私たちのアプローチは、既存のベースラインよりも大幅に改善され、有望なパフォーマンスを達成することができます。
  論文  参考訳（メタデータ） (2022-05-14T09:40:18Z)
• ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
  本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。 本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
  論文  参考訳（メタデータ） (2022-05-10T15:39:11Z)
• 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)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)
• Towards Cross-Granularity Few-Shot Learning: Coarse-to-Fine Pseudo-Labeling with Visual-Semantic Meta-Embedding [13.063136901934865]
  少ないショットラーニングは、テスト時に少数のサンプルしか持たない、新しいカテゴリに迅速に適応することを目的としている。 本稿では,より困難なシナリオ,すなわちクロスグラニュラリティ・グラニュラリティ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラ 画像埋め込みの類似性に応じて,各粗いクラスを擬似微細クラスにグリーディクラスタリングすることで,詳細なデータ分布を近似する。
  論文  参考訳（メタデータ） (2020-07-11T03:44:21Z)

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。