論文の概要: Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection

• arxiv url: http://arxiv.org/abs/2306.02268v1
• Date: Sun, 4 Jun 2023 06:01:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 18:55:32.453873
• Title: Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection
• Title（参考訳）: エンドツーエンド半教師付き物体検出のためのクラス不均衡の再検討
• Authors: Purbayan Kar, Vishal Chudasama, Naoyuki Onoe, Pankaj Wasnik
• Abstract要約: 半教師付きオブジェクト検出(SSOD)は、擬似ラベルに基づくエンドツーエンド手法の開発において大きな進歩を遂げている。 多くの手法は、擬似ラベルジェネレータの有効性を妨げるクラス不均衡のため、課題に直面している。 本稿では,低品質な擬似ラベルの根本原因と,ラベル生成品質を改善するための新しい学習メカニズムについて検討する。
• 参考スコア（独自算出の注目度）: 1.6249267147413524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised object detection (SSOD) has made significant progress with the development of pseudo-label-based end-to-end methods. However, many of these methods face challenges due to class imbalance, which hinders the effectiveness of the pseudo-label generator. Furthermore, in the literature, it has been observed that low-quality pseudo-labels severely limit the performance of SSOD. In this paper, we examine the root causes of low-quality pseudo-labels and present novel learning mechanisms to improve the label generation quality. To cope with high false-negative and low precision rates, we introduce an adaptive thresholding mechanism that helps the proposed network to filter out optimal bounding boxes. We further introduce a Jitter-Bagging module to provide accurate information on localization to help refine the bounding boxes. Additionally, two new losses are introduced using the background and foreground scores predicted by the teacher and student networks to improvise the pseudo-label recall rate. Furthermore, our method applies strict supervision to the teacher network by feeding strong & weak augmented data to generate robust pseudo-labels so that it can detect small and complex objects. Finally, the extensive experiments show that the proposed network outperforms state-of-the-art methods on MS-COCO and Pascal VOC datasets and allows the baseline network to achieve 100% supervised performance with much less (i.e., 20%) labeled data.
• Abstract（参考訳）: 半教師付きオブジェクト検出(SSOD)は、擬似ラベルに基づくエンドツーエンド手法の開発で大きく進歩している。 しかし、これらの手法の多くは、クラス不均衡による課題に直面しており、擬似ラベルジェネレータの有効性を妨げている。 また、文献では低品質の擬似ラベルがssodのパフォーマンスを著しく制限していることが観察されている。 本稿では,低品質な擬似ラベルの根本原因と,ラベル生成品質を改善するための新しい学習メカニズムについて検討する。 高偽陰性かつ低精度に対処するために,提案ネットワークが最適境界ボックスをフィルタリングするのに役立つ適応しきい値設定機構を導入する。 さらに,ローカライゼーションに関する正確な情報を提供するためのjitter-baggingモジュールを導入することで,境界ボックスの洗練を支援する。 さらに、教師と学生ネットワークが予測した背景と前景のスコアを用いて2つの新たな損失を導入し、擬似ラベルのリコール率を即興化する。 さらに,教師ネットワークに対して,強弱な拡張データを与え,強固な擬似ラベルを生成し,小型で複雑な物体を検出することで厳格な監視を行う。 最後に、提案したネットワークはMS-COCOおよびPascal VOCデータセット上で最先端の手法より優れており、ベースラインネットワークはラベル付きデータよりもはるかに少ない(20%)で100%教師付き性能を達成することができる。

関連論文リスト

• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Class Prior-Free Positive-Unlabeled Learning with Taylor Variational Loss for Hyperspectral Remote Sensing Imagery [12.54504113062557]
  高スペクトルリモートセンシング画像(HSI)における正非ラベル学習(PU学習)は、正および未ラベルのデータから二値分類器を学習することを目的としている。 本稿では,HSI PU学習におけるテイラー変分損失を提案する。 7つのベンチマークデータセット(合計21タスク)の実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2023-08-29T07:29:30Z)
• Efficient Teacher: Semi-Supervised Object Detection for YOLOv5 [2.2290171169275492]
  一段アンカーベースの検出器は、高品質または柔軟な擬似ラベルを生成する構造を欠いている。 Dense Detectorは、YOLOv5にインスパイアされた高密度サンプリング技術でRetinaNetを拡張するベースラインモデルである。 Pseudo Label Assigner は Dense Detector からより洗練された擬似ラベルを使用する。 Epoch Adaptorは、安定的で効率的なエンドツーエンドの半教師付きトレーニングスケジュールを可能にする方法である。
  論文  参考訳（メタデータ） (2023-02-15T10:40:19Z)
• A Weakly Supervised Learning Framework for Salient Object Detection via Hybrid Labels [96.56299163691979]
  本稿では,ハイブリッドラベル下でのSODタスクに焦点をあてる。 このタスクにおけるラベルノイズと量不均衡の問題に対処するため、我々は3つの洗練されたトレーニング戦略を持つ新しいパイプラインフレームワークを設計する。 5つのSODベンチマーク実験により,本手法は弱教師付き/非教師付き手法と競合する性能を示した。
  論文  参考訳（メタデータ） (2022-09-07T06:45:39Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• 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)
• 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)
• 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)

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。