論文の概要: Semi-supervised Object Detection: A Survey on Recent Research and
Progress
- arxiv url: http://arxiv.org/abs/2306.14106v1
- Date: Sun, 25 Jun 2023 02:54:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 16:52:07.370111
- Title: Semi-supervised Object Detection: A Survey on Recent Research and
Progress
- Title(参考訳): 半教師付き物体検出:最近の研究と進歩に関する調査
- Authors: Yanyang Wang, Zhaoxiang Liu, Shiguo Lian
- Abstract要約: 半教師対象検出(SSOD)は、高い研究価値と実践性のために、ますます注目されている。
本稿では,5つの側面からSSODのアプローチに関する包括的かつ最新の調査を紹介する。
- 参考スコア(独自算出の注目度): 2.2398477810999817
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In recent years, deep learning technology has been maturely applied in the
field of object detection, and most algorithms tend to be supervised learning.
However, a large amount of labeled data requires high costs of human resources,
which brings about low efficiency and limitations. Semi-supervised object
detection (SSOD) has been paid more and more attentions due to its high
research value and practicability. It is designed to learn information by using
small amounts of labeled data and large amounts of unlabeled data. In this
paper, we present a comprehensive and up-to-date survey on the SSOD approaches
from five aspects. We first briefly introduce several ways of data
augmentation. Then, we dive the mainstream semi-supervised strategies into
pseudo labels, consistent regularization, graph based and transfer learning
based methods, and introduce some methods in challenging settings. We further
present widely-used loss functions, and then we outline the common benchmark
datasets and compare the accuracy among different representative approaches.
Finally, we conclude this paper and present some promising research directions
for the future. Our survey aims to provide researchers and practitioners new to
the field as well as more advanced readers with a solid understanding of the
main approaches developed over the past few years.
- Abstract(参考訳): 近年、オブジェクト検出の分野ではディープラーニング技術が成熟しており、ほとんどのアルゴリズムは教師あり学習となっている。
しかし、大量のラベル付きデータは高いコストの人的資源を必要とするため、効率と限界は低い。
半教師対象検出(SSOD)は、高い研究価値と実践性のために、ますます注目されている。
少量のラベル付きデータと大量のラベルなしデータを用いて情報を学ぶように設計されている。
本稿では,5つの側面からSSODアプローチに関する包括的かつ最新の調査を行う。
まず,データ拡張の方法をいくつか紹介する。
そこで我々は,主要な半教師付き戦略を擬似ラベル,一貫した正規化,グラフベースおよび移動学習に基づく手法に掘り下げ,いくつかの手法を導入する。
さらに,広く使用されている損失関数を提示し,共通ベンチマークデータセットを概説し,その精度を代表的手法で比較する。
最後に,本稿をまとめ,将来に向けて有望な研究の方向性について述べる。
本調査は,過去数年間に開発された主要なアプローチについて,より先進的な読者とともに,新たな分野への研究者や実践者に提供することを目的としている。
関連論文リスト
- ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous
Driving [96.92499034935466]
自動運転のためのエンドツーエンドの差別化学習は、最近顕著なパラダイムになっている。
第一のボトルネックは、高品質なラベル付きデータに対する大胆な欲求にある。
収集した生データの一部を段階的に注釈付けする計画指向のアクティブラーニング手法を提案する。
論文 参考訳(メタデータ) (2024-03-05T11:39:07Z) - A Survey on Data Selection for Language Models [151.6210632830082]
データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。
ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。
広範なデータ選択研究のリソースを持つ組織はほとんどない。
論文 参考訳(メタデータ) (2024-02-26T18:54:35Z) - Label-Efficient Deep Learning in Medical Image Analysis: Challenges and
Future Directions [10.502964056448283]
医用画像解析のトレーニングモデルは通常、ラベル付きデータの高価で時間を要する。
我々は最近の300以上の論文を網羅的に調査し、MIAにおけるラベル効率学習戦略の進捗状況を概観した。
具体的には、標準半教師付き、自己監督型、マルチインスタンス学習スキームだけでなく、最近出現したアクティブかつアノテーション効率の学習戦略についても詳細に調査する。
論文 参考訳(メタデータ) (2023-03-22T11:51:49Z) - Weakly Supervised Anomaly Detection: A Survey [75.26180038443462]
異常検出(AD)は、さまざまなアプリケーションによる機械学習において重要なタスクである。
弱教師付き異常検出法(WSAD)の総合的な調査を行った。
各設定に対して、正式な定義、鍵アルゴリズム、潜在的な将来の方向性を提供する。
論文 参考訳(メタデータ) (2023-02-09T10:27:21Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳(メタデータ) (2022-07-29T02:34:19Z) - Recent Few-Shot Object Detection Algorithms: A Survey with Performance
Comparison [54.357707168883024]
Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。
FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。
本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
論文 参考訳(メタデータ) (2022-03-27T04:11:28Z) - A Comparative Review of Recent Few-Shot Object Detection Algorithms [0.0]
ラベル付きデータで新しいクラスに適応するために学習するオブジェクトの少ない検出は、命令的で長期にわたる問題である。
近年の研究では、ターゲットドメインを監督せずに追加データセットに暗黙の手がかりを使って、少数のショット検出器が堅牢なタスク概念を洗練させる方法が研究されている。
論文 参考訳(メタデータ) (2021-10-30T07:57:11Z) - Understanding the World Through Action [91.3755431537592]
ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。
このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
論文 参考訳(メタデータ) (2021-10-24T22:33:52Z) - Self-supervised on Graphs: Contrastive, Generative,or Predictive [25.679620842010422]
SSL(Self-supervised Learning)は、よく設計されたプリテキストタスクを通じて有益な知識を抽出するための新しいパラダイムとして登場しています。
既存のグラフSSLメソッドは、コントラスト、生成、予測の3つのカテゴリに分けられる。
また、一般的なデータセット、評価メトリクス、下流タスク、さまざまなアルゴリズムのオープンソース実装をまとめています。
論文 参考訳(メタデータ) (2021-05-16T03:30:03Z)
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。