論文の概要: Cyclic-Bootstrap Labeling for Weakly Supervised Object Detection

• arxiv url: http://arxiv.org/abs/2308.05991v1
• Date: Fri, 11 Aug 2023 07:57:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 14:44:36.693965
• Title: Cyclic-Bootstrap Labeling for Weakly Supervised Object Detection
• Title（参考訳）: 弱教師付き物体検出のためのサイクリックブートストラップラベリング
• Authors: Yufei Yin, Jiajun Deng, Wengang Zhou, Li Li, Houqiang Li
• Abstract要約: Cyclic-Bootstrap Labeling (CBL) は、弱制御されたオブジェクト検出パイプラインである。 様々な改良モジュールを活用するために、重み付けされた指数移動平均戦略を使用する。 重み付きアンサンブル型教師ネットワークの出力を活用するために, クラス別ランキング蒸留アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 134.05510658882278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent progress in weakly supervised object detection is featured by a combination of multiple instance detection networks (MIDN) and ordinal online refinement. However, with only image-level annotation, MIDN inevitably assigns high scores to some unexpected region proposals when generating pseudo labels. These inaccurate high-scoring region proposals will mislead the training of subsequent refinement modules and thus hamper the detection performance. In this work, we explore how to ameliorate the quality of pseudo-labeling in MIDN. Formally, we devise Cyclic-Bootstrap Labeling (CBL), a novel weakly supervised object detection pipeline, which optimizes MIDN with rank information from a reliable teacher network. Specifically, we obtain this teacher network by introducing a weighted exponential moving average strategy to take advantage of various refinement modules. A novel class-specific ranking distillation algorithm is proposed to leverage the output of weighted ensembled teacher network for distilling MIDN with rank information. As a result, MIDN is guided to assign higher scores to accurate proposals among their neighboring ones, thus benefiting the subsequent pseudo labeling. Extensive experiments on the prevalent PASCAL VOC 2007 \& 2012 and COCO datasets demonstrate the superior performance of our CBL framework. Code will be available at https://github.com/Yinyf0804/WSOD-CBL/.
• Abstract（参考訳）: 弱教師付きオブジェクト検出の最近の進歩は、複数のインスタンス検出ネットワーク(MIDN)と通常のオンラインリファインメントの組み合わせによって特徴付けられる。 しかし、画像レベルのアノテーションだけで、MIDNは必然的に偽ラベルを生成する際に予期せぬ領域の提案に高いスコアを割り当てる。 これらの不正確な高精度領域の提案は、その後の改良モジュールのトレーニングを誤解させ、検出性能を阻害する。 本研究では,MIDNにおける擬似ラベルの質を改善する方法について検討する。 形式的には、信頼性の高い教師ネットワークからのランク情報でMDDNを最適化する、新しい弱教師対象検出パイプラインであるCBL(Cyclic-Bootstrap Labeling)を考案する。 具体的には,様々な改良モジュールを活用するために,重み付けされた指数移動平均戦略を導入することで,この教師ネットワークを得る。 重み付き教師ネットワークの出力を利用してランク情報付きmidnを蒸留する新しいクラス特異的ランキング蒸留アルゴリズムを提案する。 結果として、MIDNは隣同士の正確な提案により高いスコアを割り当てるように誘導され、その後の擬似ラベリングの恩恵を受ける。 PASCAL VOC 2007 \& 2012およびCOCOデータセットに関する大規模な実験は、我々のCBLフレームワークの優れた性能を示している。 コードはhttps://github.com/Yinyf0804/WSOD-CBL/.comで入手できる。

関連論文リスト

• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• Nearest Neighbor Guidance for Out-of-Distribution Detection [18.851275688720108]
  そこで本研究では,最寄りのNearest Neighbor Guidance (NNGuide) を用いて,オフ・オブ・ディストリビューション(OOD) サンプルの検出を行う。 NNGuideは、分類器ベースのスコアのきめ細かい機能を維持しながら、OODサンプルの過信を低減する。 この結果から,NNGuideはベース検出スコアを大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2023-09-26T12:40:35Z)
• Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection [1.6249267147413524]
  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。
  論文  参考訳（メタデータ） (2023-06-04T06:01:53Z)
• Active Teacher for Semi-Supervised Object Detection [80.10937030195228]
  半教師対象検出(SSOD)のための能動教師と呼ばれる新しいアルゴリズムを提案する。 Active Teacherは、教師/学生のフレームワークを反復的なバージョンに拡張し、ラベルセットを部分的に段階的に拡張し、ラベルなし例の3つの重要な要素を評価する。 この設計により、Active Teacherは、擬似ラベルの品質を改善しながら、限られたラベル情報の効果を最大化することができる。
  論文  参考訳（メタデータ） (2023-03-15T03:59:27Z)
• Improving Localization for Semi-Supervised Object Detection [3.5493798890908104]
  予測された有界ボックスのフィルタリングを改善するために,有界ボックスのローカライゼーションのための追加の分類タスクを導入する。 我々のIL-netは制限付きアノテーション方式でデータセット上でSSOD性能を1.14%向上させることを示した。
  論文  参考訳（メタデータ） (2022-06-21T08:39:38Z)
• Label Matching Semi-Supervised Object Detection [85.99282969977541]
  半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。 本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-14T05:59:41Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• COLAM: Co-Learning of Deep Neural Networks and Soft Labels via Alternating Minimization [60.07531696857743]
  2つの目的の交互最小化によるDNNとソフトラベルの共学習 本稿では,DNNとソフトラベルを相互に学習するCOLAMフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-26T17:50:20Z)

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。