Fugu-MT 論文翻訳(概要): Active Learning for Object Detection with Non-Redundant Informative Sampling

論文の概要: Active Learning for Object Detection with Non-Redundant Informative Sampling

arxiv url: http://arxiv.org/abs/2307.08414v1
Date: Mon, 17 Jul 2023 11:55:20 GMT
ステータス: 処理完了
システム内更新日: 2023-07-18 13:45:33.464710
Title: Active Learning for Object Detection with Non-Redundant Informative Sampling
Title（参考訳）: 非冗長情報サンプリングによる物体検出のための能動学習
Authors: Aral Hekimoglu, Adrian Brucker, Alper Kagan Kayali, Michael Schmidt, Alvaro Marcos-Ramiro
Abstract要約: 我々の戦略は、不確実性と多様性に基づく選択原則を共同選択目標に統合する。提案したNORISアルゴリズムは,サンプルを用いたトレーニングが他の類似サンプルの情報伝達性に与える影響を定量的に評価する。 PASCAL-VOC と KITTI のランダム選択と比較して,ラベリングコストの 20% と 30% の削減を実現している。
参考スコア（独自算出の注目度）: 1.7602289331729377
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Curating an informative and representative dataset is essential for enhancing the performance of 2D object detectors. We present a novel active learning sampling strategy that addresses both the informativeness and diversity of the selections. Our strategy integrates uncertainty and diversity-based selection principles into a joint selection objective by measuring the collective information score of the selected samples. Specifically, our proposed NORIS algorithm quantifies the impact of training with a sample on the informativeness of other similar samples. By exclusively selecting samples that are simultaneously informative and distant from other highly informative samples, we effectively avoid redundancy while maintaining a high level of informativeness. Moreover, instead of utilizing whole image features to calculate distances between samples, we leverage features extracted from detected object regions within images to define object features. This allows us to construct a dataset encompassing diverse object types, shapes, and angles. Extensive experiments on object detection and image classification tasks demonstrate the effectiveness of our strategy over the state-of-the-art baselines. Specifically, our selection strategy achieves a 20% and 30% reduction in labeling costs compared to random selection for PASCAL-VOC and KITTI, respectively.
Abstract（参考訳）: 情報的および代表的データセットの算出は,2次元物体検出器の性能向上に不可欠である。本稿では,選択のインフォメーション性と多様性を両立させる,新しいアクティブラーニングサンプリング戦略を提案する。本手法は,選択したサンプルの集団情報スコアを計測することにより,不確実性と多様性に基づく選択原理を共同選択目標に統合する。具体的には,提案するrinosアルゴリズムは,サンプルを用いたトレーニングが他の類似サンプルの情報量に与える影響を定量化する。高い情報度を維持しつつ,他の高情報度サンプルから同時に遠ざかるサンプルを選択的に選択することにより,冗長性を効果的に回避できる。さらに,画像中の検出された対象領域から抽出した特徴を利用して,対象特徴量を定義する。これにより、さまざまなオブジェクトタイプ、形状、角度を含むデータセットを構築することができます。オブジェクト検出および画像分類タスクに関する大規模な実験は、最先端のベースラインに対する我々の戦略の有効性を示す。具体的には,PASCAL-VOCとKITTIのランダム選択と比較して,ラベリングコストの20%と30%の削減を実現している。

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)
Annotation-Efficient Polyp Segmentation via Active Learning [45.59503015577479]
アノテーション効率の良いポリプセグメンテーションのための深層能動的学習フレームワークを提案する。実際に,ポリプの予測マップと背景領域の類似性を調べることで,各試料の不確実性を測定する。提案手法は,パブリックデータセットと大規模社内データセットの双方において,競合相手と比較して,最先端性能を実現していることを示す。
論文参考訳（メタデータ） (2024-03-21T12:25:17Z)
Metric-aligned Sample Selection and Critical Feature Sampling for Oriented Object Detection [4.677438149607058]
サンプルの品質を評価するためにアフィン変換を導入し、距離に基づくラベル割り当て戦略を提案する。提案手法は,物体の形状と回転特性に応じて動的に試料を選択可能である。その結果,提案した検出器の最先端の精度が示された。
論文参考訳（メタデータ） (2023-06-29T06:36:46Z)
infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
論文参考訳（メタデータ） (2023-05-30T18:12:48Z)
MuRAL: Multi-Scale Region-based Active Learning for Object Detection [20.478741635006116]
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。
論文参考訳（メタデータ） (2023-03-29T12:52:27Z)
Uncertainty Aware Active Learning for Reconfiguration of Pre-trained Deep Object-Detection Networks for New Target Domains [0.0]
物体検出はコンピュータビジョンタスクの最も重要かつ基本的な側面の1つである。オブジェクト検出モデルのトレーニングデータを効率的に取得するために、多くのデータセットは、ビデオフォーマットでアノテーションのないデータを取得することを選択します。ビデオからすべてのフレームに注釈を付けるのは、多くのフレームがモデルが学ぶのに非常によく似た情報を含んでいるため、費用がかかり非効率である。本稿では,この問題に対処するためのオブジェクト検出モデルのための新しい能動学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-03-22T17:14:10Z)
Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
論文参考訳（メタデータ） (2023-01-23T02:43:03Z)
Exploiting Diversity of Unlabeled Data for Label-Efficient Semi-Supervised Active Learning [57.436224561482966]
アクティブラーニング(英: Active Learning)は、ラベリングのための最も重要なサンプルを選択することで、高価なラベリングの問題に対処する研究分野である。アクティブな学習環境における初期ラベル付けのための最も情報性の高いサンプル群を選択するために,多様性に基づく新しい初期データセット選択アルゴリズムを提案する。また、一貫性に基づく埋め込みの多様性に基づくサンプリングを用いた、新しいアクティブな学習クエリ戦略を提案する。
論文参考訳（メタデータ） (2022-07-25T16:11:55Z)
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)
Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
論文参考訳（メタデータ） (2022-01-07T02:46:35Z)
Active Learning for Deep Object Detection via Probabilistic Modeling [27.195742892250916]
オブジェクト検出のための新しい深層アクティブラーニング手法を提案する。提案手法は,各局所化および分類ヘッドの出力に対する確率分布を推定する混合密度ネットワークに依存する。本手法では,両頭部の2種類の不確実性を集約したスコアリング関数を用いて,各画像のインフォラティブネススコアを求める。
論文参考訳（メタデータ） (2021-03-30T07:37:11Z)

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。