論文の概要: Online Open-set Semi-supervised Object Detection via Semi-supervised Outlier Filtering

• arxiv url: http://arxiv.org/abs/2305.13802v1
• Date: Tue, 23 May 2023 08:15:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 17:56:48.842530
• Title: Online Open-set Semi-supervised Object Detection via Semi-supervised Outlier Filtering
• Title（参考訳）: 半教師付き外乱フィルタによるオンラインオープンセット半教師付き物体検出
• Authors: Zerun Wang, Ling Xiao, Liuyu Xiang, Zhaotian Weng, Toshihiko Yamasaki
• Abstract要約: 本稿では、ラベルのないデータからより価値のあるインスタンスをマイニングすることで、パフォーマンスと効率を向上させる新しいエンドツーエンドオンラインフレームワークを提案する。 提案手法は,部分的にラベル付けされたCOCOデータセットと完全にラベル付けされたCOCOデータセット,大規模オープンセットの未ラベルデータセットであるOpenImagesなど,いくつかのベンチマークで有効である。
• 参考スコア（独自算出の注目度）: 30.309263956547845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-set semi-supervised object detection (OSSOD) methods aim to utilize practical unlabeled datasets with out-of-distribution (OOD) instances for object detection. The main challenge in OSSOD is distinguishing and filtering the OOD instances from the in-distribution (ID) instances during pseudo-labeling. The previous method uses an offline OOD detection network trained only with labeled data for solving this problem. However, the scarcity of available data limits the potential for improvement. Meanwhile, training separately leads to low efficiency. To alleviate the above issues, this paper proposes a novel end-to-end online framework that improves performance and efficiency by mining more valuable instances from unlabeled data. Specifically, we first propose a semi-supervised OOD detection strategy to mine valuable ID and OOD instances in unlabeled datasets for training. Then, we constitute an online end-to-end trainable OSSOD framework by integrating the OOD detection head into the object detector, making it jointly trainable with the original detection task. Our experimental results show that our method works well on several benchmarks, including the partially labeled COCO dataset with open-set classes and the fully labeled COCO dataset with the additional large-scale open-set unlabeled dataset, OpenImages. Compared with previous OSSOD methods, our approach achieves the best performance on COCO with OpenImages by +0.94 mAP, reaching 44.07 mAP.
• Abstract（参考訳）: open-set semi-supervised object detection (ossod)メソッドは、オブジェクト検出にout-of-distribution (ood)インスタンスを使った実用的なラベルなしデータセットを利用することを目的としている。 OSSODの主な課題は、擬似ラベル作成中にOODインスタンスとIDインスタンスを区別してフィルタリングすることである。 従来の手法では,ラベル付きデータのみをトレーニングしたオフラインOOD検出ネットワークを使用してこの問題を解決する。 しかし、利用可能なデータの不足は、改善の可能性を制限する。 一方、トレーニングは別々に効率を低下させる。 上記の問題を緩和するために,ラベルのないデータからより価値のあるインスタンスをマイニングすることで,パフォーマンスと効率を向上させる新しいエンドツーエンドオンラインフレームワークを提案する。 具体的には、まず、トレーニングのためのラベルなしデータセットにおいて、価値あるIDとOODインスタンスをマイニングするための半教師付きOOD検出戦略を提案する。 そして,OOD検出ヘッドをオブジェクト検出器に統合することにより,オンライン・エンドツーエンドのOSSODフレームワークを構築し,元の検出タスクと共同でトレーニングする。 実験の結果,提案手法はオープンセットクラスを部分的にラベル付けしたCOCOデータセットや,大規模オープンセット未ラベルデータセットのOpenImagesなど,いくつかのベンチマークで有効であることがわかった。 従来のOSSOD法と比較すると,Open Imagesでは+0.94 mAP,44.07 mAPに向上した。

関連論文リスト

• Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
  unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。 近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。 本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。 実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
  論文  参考訳（メタデータ） (2024-09-05T02:58:13Z)
• A Unified Approach Towards Active Learning and Out-of-Distribution Detection [44.29827026888824]
  我々は、ALとOODの両方検出のための最初の統合ソリューションとして、SISOMを紹介した。 特徴空間距離メトリクスを活用することで、SISOMは、現在独立したタスクの強みを組み合わせて、両方を効果的に解決する。 ALでは、SISOMは他より優れ、3つのベンチマークでトップ1のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-05-18T17:02:57Z)
• SCOD: From Heuristics to Theory [4.512926716151403]
  本稿では,不確かさやアウト・オブ・ディストリビューション・サンプルに直面する場合の予測を無視する信頼性のある予測モデルを設計する上での問題に対処する。 SCOD(Out-of-Distribution Data)の存在下では,選択分類に3つの重要な貢献をしている。
  論文  参考訳（メタデータ） (2024-03-25T16:36:13Z)
• Fast Decision Boundary based Out-of-Distribution Detector [7.04686607977352]
  アウト・オブ・ディストリビューション(OOD)検出は、AIシステムの安全なデプロイに不可欠である。 既存の特徴空間法は有効であるが、しばしば計算上のオーバーヘッドを生じさせる。 補助モデルを用いない計算効率の良いOOD検出器を提案する。
  論文  参考訳（メタデータ） (2023-12-15T19:50:32Z)
• Semi-Supervised Object Detection with Uncurated Unlabeled Data for Remote Sensing Images [16.660668160785615]
  半教師付きオブジェクト検出(SSOD)手法は、ラベルのないデータに対して擬似ラベルを生成することでこの問題に対処する。 しかし、現実の状況では、ラベルなしデータセット内の分布外サンプル(OOD)と分布内サンプル(ID)が混在する可能性がある。 未ラベルデータに対するOpen-Set Semi-Supervised Object Detection (OSSOD)を提案する。
  論文  参考訳（メタデータ） (2023-10-09T07:59:31Z)
• AUTO: Adaptive Outlier Optimization for Online Test-Time OOD Detection [81.49353397201887]
  オープンソースアプリケーションに機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 我々は、未ラベルのオンラインデータをテスト時に直接利用してOOD検出性能を向上させる、テスト時OOD検出と呼ばれる新しいパラダイムを導入する。 本稿では,入出力フィルタ,IDメモリバンク,意味的に一貫性のある目的からなる適応外乱最適化(AUTO)を提案する。
  論文  参考訳（メタデータ） (2023-03-22T02:28:54Z)
• Anti-Exploration by Random Network Distillation [63.04360288089277]
  ランダムネットワーク蒸留 (RND) の条件付けは, 不確実性推定器として用いるのに十分な識別性がないことを示す。 この制限は、FiLM(Feature-wise Linear Modulation)に基づく条件付けによって回避できることを示す。 D4RLベンチマークで評価したところ、アンサンブルベースの手法に匹敵する性能を達成でき、アンサンブルのない手法よりも広いマージンで性能を向上できることがわかった。
  論文  参考訳（メタデータ） (2023-01-31T13:18:33Z)
• Open-Set Semi-Supervised Object Detection [43.464223594166654]
  近年,Semi-Supervised Object Detection (SSOD) の開発が進められている。 我々は、より実用的で難しい問題、OSSOD(Open-Set Semi-Supervised Object Detection)を考える。 提案フレームワークはセマンティック拡張問題に効果的に対処し,OSSODベンチマークにおける一貫した改善を示す。
  論文  参考訳（メタデータ） (2022-08-29T17:04:30Z)
• W2N:Switching From Weak Supervision to Noisy Supervision for Object Detection [64.10643170523414]
  弱い監督からうるさい監督(W2N)に切り替える新しいパラダイムを持つ新しいWSODフレームワークを提案する。 ローカライズ適応モジュールでは、元の擬似接地構造における識別部分の割合を減らすために正規化損失を提案する。 我々のW2Nは、既存の純粋なWSODメソッドや転送学習メソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-07-25T12:13:48Z)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)

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。