Fugu-MT 論文翻訳(概要): Practical Edge Detection via Robust Collaborative Learning

論文の概要: Practical Edge Detection via Robust Collaborative Learning

arxiv url: http://arxiv.org/abs/2308.14084v1
Date: Sun, 27 Aug 2023 12:12:27 GMT
ステータス: 処理完了
システム内更新日: 2023-08-29 16:54:25.292636
Title: Practical Edge Detection via Robust Collaborative Learning
Title（参考訳）: ロバスト協調学習による実践的エッジ検出
Authors: Yuanbin Fu and Xiaojie Guo
Abstract要約: エッジ検出は、幅広いビジョン指向タスクのコアコンポーネントである。目標を達成するためには,2つの重要な問題に対処する必要がある。非効率なトレーニング済みバックボーンからディープエッジモデルを緩和する方法。トレーニングデータにおいて、ノイズや間違ったラベルからネガティブな影響を解放する方法。
参考スコア（独自算出の注目度）: 11.176517889212015
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Edge detection, as a core component in a wide range of visionoriented tasks, is to identify object boundaries and prominent edges in natural images. An edge detector is desired to be both efficient and accurate for practical use. To achieve the goal, two key issues should be concerned: 1) How to liberate deep edge models from inefficient pre-trained backbones that are leveraged by most existing deep learning methods, for saving the computational cost and cutting the model size; and 2) How to mitigate the negative influence from noisy or even wrong labels in training data, which widely exist in edge detection due to the subjectivity and ambiguity of annotators, for the robustness and accuracy. In this paper, we attempt to simultaneously address the above problems via developing a collaborative learning based model, termed PEdger. The principle behind our PEdger is that, the information learned from different training moments and heterogeneous (recurrent and non recurrent in this work) architectures, can be assembled to explore robust knowledge against noisy annotations, even without the help of pre-training on extra data. Extensive ablation studies together with quantitative and qualitative experimental comparisons on the BSDS500 and NYUD datasets are conducted to verify the effectiveness of our design, and demonstrate its superiority over other competitors in terms of accuracy, speed, and model size. Codes can be found at https://github.co/ForawardStar/PEdger.
Abstract（参考訳）: エッジ検出は、幅広いビジョン指向タスクのコアコンポーネントとして、自然画像のオブジェクト境界と顕著なエッジを特定することである。エッジ検出器は実用上、効率的かつ正確であることが望まれる。目標を達成するためには,2つの重要な課題に対処する必要がある。 1)既存のディープラーニング手法の多くで活用されている非効率な事前学習されたバックボーンからディープエッジモデルを解放し,計算コストを削減し,モデルサイズを削減する方法 2)アノテータの主観性とあいまいさによるエッジ検出において広く存在するトレーニングデータにおけるノイズやラベルの誤用による負の影響を、頑健さと精度のために緩和する方法。本稿では,PEdgerと呼ばれる協調学習モデルの開発を通じて,上記の課題を同時に解決しようと試みる。私たちのPEdgerの背景にある原則は、異なるトレーニングモーメントと異種(この作業では繰り返しかつ非繰り返し)アーキテクチャから学んだ情報は、余分なデータで事前トレーニングすることなく、ノイズの多いアノテーションに対する堅牢な知識を探索するために組み立てられるということです。 bsds500 と nyud データセットの定量的・定性的な実験比較とともに,我々の設計の有効性を検証し,その精度,速度,モデルサイズにおいて他の競合製品よりも優れていることを示す。コードはhttps://github.co/ForawardStar/PEdgerにある。

関連論文リスト

Generative Edge Detection with Stable Diffusion [52.870631376660924]
エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。複数のデータセットに対して広範な実験を行い、競争性能を達成する。
論文参考訳（メタデータ） (2024-10-04T01:52:23Z)
MOREL: Enhancing Adversarial Robustness through Multi-Objective Representation Learning [1.534667887016089]
ディープニューラルネットワーク(DNN)は、わずかに敵対的な摂動に対して脆弱である。トレーニング中の強力な特徴表現学習は、元のモデルの堅牢性を大幅に向上させることができることを示す。本稿では,多目的特徴表現学習手法であるMORELを提案する。
論文参考訳（メタデータ） (2024-10-02T16:05:03Z)
Topological Persistence Guided Knowledge Distillation for Wearable Sensor Data [15.326571438985466]
トポロジカルデータ解析(TDA)によって得られるトポロジカルな特徴は潜在的な解決策として提案されている。深層学習にトポロジ的特徴を用いることには2つの大きな障害がある。そこで本研究では,生の時系列データに基づいてトレーニングした教師ネットワークと,TDA法により生成された永続性画像に基づいてトレーニングした教師ネットワークの2つを提案する。頑健な学生モデルを蒸留し、トポロジ的特徴を暗黙的に保存しながら、時系列データのみを入力として使用する。
論文参考訳（メタデータ） (2024-07-07T10:08:34Z)
Joint Salient Object Detection and Camouflaged Object Detection via Uncertainty-aware Learning [47.253370009231645]
本稿では,SOD と Camouflaged Object Detection (COD) の矛盾する情報を探るため,不確実性を考慮した学習パイプラインを提案する。我々の解決策は、最先端の性能と情報的不確実性の推定の両方につながる。
論文参考訳（メタデータ） (2023-07-10T15:49:37Z)
Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文参考訳（メタデータ） (2023-03-24T16:03:21Z)
EvCenterNet: Uncertainty Estimation for Object Detection using Evidential Learning [26.535329379980094]
EvCenterNetは、新しい不確実性を認識した2Dオブジェクト検出フレームワークである。分類と回帰の不確実性の両方を推定するために、顕在的学習を用いる。我々は、KITTIデータセット上でモデルをトレーニングし、配布外のデータセットに挑戦して評価する。
論文参考訳（メタデータ） (2023-03-06T11:07:11Z)
Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文参考訳（メタデータ） (2022-11-19T17:06:10Z)
Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。本フレームワークは,既存のUSOD法と比較して高い性能を示した。
論文参考訳（メタデータ） (2021-12-07T11:54:06Z)
Holistic Deep Learning [3.718942345103135]
本稿では、入力摂動、過度なパラメータ化、性能不安定といった脆弱性の課題に対処する、新しい総合的なディープラーニングフレームワークを提案する。提案したフレームワークは、標準的なディープラーニングモデルよりも正確性、堅牢性、疎性、安定性を全面的に改善する。
論文参考訳（メタデータ） (2021-10-29T14:46:32Z)
Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文参考訳（メタデータ） (2021-04-06T22:53:45Z)
One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。