論文の概要: Classification Committee for Active Deep Object Detection
- arxiv url: http://arxiv.org/abs/2308.08476v1
- Date: Wed, 16 Aug 2023 16:31:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 12:33:58.641639
- Title: Classification Committee for Active Deep Object Detection
- Title（参考訳）: アクティブ深部物体検出のための分類委員会
- Authors: Lei Zhao, Bo Li, Xingxing Wei
- Abstract要約: 本稿では,アクティブディープオブジェクト検出のための分類委員会を提案する。
委員会は、その不確実性値に基づいて最も情報性の高い画像を選択する。
本手法は,最先端の能動学習法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 24.74839931613233
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In object detection, the cost of labeling is much high because it needs not
only to confirm the categories of multiple objects in an image but also to
accurately determine the bounding boxes of each object. Thus, integrating
active learning into object detection will raise pretty positive significance.
In this paper, we propose a classification committee for active deep object
detection method by introducing a discrepancy mechanism of multiple classifiers
for samples' selection when training object detectors. The model contains a
main detector and a classification committee. The main detector denotes the
target object detector trained from a labeled pool composed of the selected
informative images. The role of the classification committee is to select the
most informative images according to their uncertainty values from the view of
classification, which is expected to focus more on the discrepancy and
representative of instances. Specifically, they compute the uncertainty for a
specified instance within the image by measuring its discrepancy output by the
committee pre-trained via the proposed Maximum Classifiers Discrepancy Group
Loss (MCDGL). The most informative images are finally determined by selecting
the ones with many high-uncertainty instances. Besides, to mitigate the impact
of interference instances, we design a Focus on Positive Instances Loss (FPIL)
to make the committee the ability to automatically focus on the representative
instances as well as precisely encode their discrepancies for the same
instance. Experiments are conducted on Pascal VOC and COCO datasets versus some
popular object detectors. And results show that our method outperforms the
state-of-the-art active learning methods, which verifies the effectiveness of
the proposed method.
- Abstract（参考訳）: オブジェクト検出では、画像内の複数のオブジェクトのカテゴリを確認するだけでなく、各オブジェクトの境界ボックスを正確に決定する必要があるため、ラベル付けのコストが非常に高い。
したがって、アクティブラーニングをオブジェクト検出に統合することは、かなりポジティブな意味を持つ。
本稿では,複数の分類器の識別機構を導入して,物体検出の訓練を行うためのアクティブディープオブジェクト検出手法の分類委員会を提案する。
モデルには主検出器と分類委員会が含まれている。
主検出器は、選択された情報画像からなるラベル付きプールから訓練された対象物体検出器を表す。
分類委員会の役割は、事例の相違と代表性に重点を置く分類の観点から、その不確実性値に応じて最も有益な画像を選択することである。
具体的には,MCDGL(Maximum Classifiers Discrepancy Group Loss)によって事前訓練された委員会による,画像内の特定インスタンスの不確実性を測定する。
最も情報性の高い画像は、多くの不確実なインスタンスを持つものを選択することで最終的に決定される。
さらに、干渉インスタンスの影響を軽減するため、私たちは、委員会が代表インスタンスに自動的に焦点を合わせ、同じインスタンスに対するそれらの不一致を正確にエンコードできるように、ポジティブインスタンス損失(fpil)に焦点を当てます。
パスカルVOCとCOCOデータセットで、いくつかの一般的な物体検出器に対して実験が行われた。
また,本手法は,提案手法の有効性を検証した最先端の能動学習法よりも優れていることを示す。
関連論文リスト
- Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。
このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。
我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
論文 参考訳（メタデータ） (2024-11-20T02:57:35Z) - Few-Shot Object Detection with Sparse Context Transformers [37.106378859592965]
少ないショット検出は、少ないラベル付きデータでトレーニングされたモデルを使用してオブジェクトをローカライズするパターン認識における主要なタスクである。
本稿では,ソース領域におけるオブジェクトの知識を効果的に活用し,対象領域内の少数のトレーニング画像からスパースコンテキストを自動的に学習する新しいスパースコンテキスト変換器を提案する。
提案手法を2つの難易度オブジェクト検出ベンチマークで評価し,提案手法が関連する最先端技術と比較して競合性能を得ることを示す実験結果を得た。
論文 参考訳（メタデータ） (2024-02-14T17:10:01Z) - Active Learning for Object Detection with Non-Redundant Informative
Sampling [1.7602289331729377]
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。
論文 参考訳（メタデータ） (2023-07-17T11:55:20Z) - The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。
我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。
我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
論文 参考訳（メタデータ） (2022-03-10T23:35:00Z) - Robust Region Feature Synthesizer for Zero-Shot Object Detection [87.79902339984142]
我々は,クラス内セマンティック・ディバージングコンポーネントとクラス間構造保存コンポーネントを含む,新しいゼロショットオブジェクト検出フレームワークを構築した。
リモートセンシング画像においてゼロショット物体検出を行う最初の研究である。
論文 参考訳（メタデータ） (2022-01-01T03:09:15Z) - Learning to Detect Instance-level Salient Objects Using Complementary
Image Labels [55.049347205603304]
本報告では,本問題に対する第1の弱教師付きアプローチを提案する。
本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
論文 参考訳（メタデータ） (2021-11-19T10:15:22Z) - Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。
境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。
実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
論文 参考訳（メタデータ） (2021-02-16T17:58:57Z) - Class-agnostic Object Detection [16.97782147401037]
本稿では,オブジェクトのクラスに関係なくオブジェクトを検出することに焦点を当てた新しい問題として,クラスに依存しないオブジェクト検出を提案する。
具体的には、イメージ内のすべてのオブジェクトのバウンディングボックスを予測することであり、オブジェクトクラスではない。
本稿では,この領域における今後の研究を進めるために,クラス非依存検出器のベンチマークのためのトレーニングおよび評価プロトコルを提案する。
論文 参考訳（メタデータ） (2020-11-28T19:22:38Z) - A Self-Training Approach for Point-Supervised Object Detection and
Counting in Crowds [54.73161039445703]
本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。
トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。
実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-25T02:14:42Z) - Are there any 'object detectors' in the hidden layers of CNNs trained to
identify objects or scenes? [5.718442081858377]
我々は、AlexNetの大規模なユニットセットについて、様々な測定値を比較した。
異なる測度が対象選択性の異なる推定値を提供することがわかった。
我々は、リカレントニューラルネットワークで報告された「グランドマザーセル」ユニットほど遠くから選択的なユニットを見つけることができません。
論文 参考訳（メタデータ） (2020-07-02T12:33:37Z)
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。