論文の概要: Deep Active Learning with Noisy Oracle in Object Detection

• arxiv url: http://arxiv.org/abs/2310.00372v1
• Date: Sat, 30 Sep 2023 13:28:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 04:38:26.178391
• Title: Deep Active Learning with Noisy Oracle in Object Detection
• Title（参考訳）: オブジェクト検出における騒がしいoracleによるディープラーニング
• Authors: Marius Schubert and Tobias Riedlinger and Karsten Kahl and Matthias Rottmann
• Abstract要約: ディープオブジェクト検出のためのラベルレビューモジュールを含む複合能動学習フレームワークを提案する。 アクティブなデータセットで部分的にノイズの多いアノテーションを修正するためにアノテーションの予算の一部を利用することで、モデルの性能が早期に向上することを示します。 本実験では,同一のアノテーション予算でラベルレビューを組み込むことで,最大4.5mAPポイントのオブジェクト検出性能の向上を実現した。
• 参考スコア（独自算出の注目度）: 5.5165579223151795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Obtaining annotations for complex computer vision tasks such as object detection is an expensive and time-intense endeavor involving a large number of human workers or expert opinions. Reducing the amount of annotations required while maintaining algorithm performance is, therefore, desirable for machine learning practitioners and has been successfully achieved by active learning algorithms. However, it is not merely the amount of annotations which influences model performance but also the annotation quality. In practice, the oracles that are queried for new annotations frequently contain significant amounts of noise. Therefore, cleansing procedures are oftentimes necessary to review and correct given labels. This process is subject to the same budget as the initial annotation itself since it requires human workers or even domain experts. Here, we propose a composite active learning framework including a label review module for deep object detection. We show that utilizing part of the annotation budget to correct the noisy annotations partially in the active dataset leads to early improvements in model performance, especially when coupled with uncertainty-based query strategies. The precision of the label error proposals has a significant influence on the measured effect of the label review. In our experiments we achieve improvements of up to 4.5 mAP points of object detection performance by incorporating label reviews at equal annotation budget.
• Abstract（参考訳）: オブジェクト検出などの複雑なコンピュータビジョンタスクに対するアノテーションの取得は、多くのヒューマンワーカーや専門家の意見を含む、高価で時間的な取り組みである。 アルゴリズム性能を維持するために必要なアノテーションの量を減らすことは、機械学習の実践者にとって望ましいものであり、アクティブな学習アルゴリズムによって達成されている。 しかし、モデル性能に影響を与えるアノテーションの量だけでなく、アノテーションの品質も考慮すべきである。 実際には、新しいアノテーションを問い合わせるオラクルは、しばしばかなりの量のノイズを含んでいる。 そのため、ラベルのレビューや修正には、しばしばクリーニング手順が必要である。 このプロセスは、ヒューマンワーカーやドメインエキスパートを必要とするため、初期アノテーションそのものと同じ予算を課されます。 本稿では,ディープオブジェクト検出のためのラベルレビューモジュールを含む複合能動学習フレームワークを提案する。 特に不確実性に基づくクエリ戦略と組み合わさった場合,アノテーション予算の一部をアクティブデータセットの一部でノイズの少ないアノテーションを修正すれば,モデルパフォーマンスが早期に向上することを示す。 ラベルエラー提案の精度はラベルレビューの効果に有意な影響を与えている。 実験では,同等のアノテーション予算でラベルレビューを組み込むことで,オブジェクト検出性能の最大4.5マップポイントの改善を実現する。

関連論文リスト

• Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
  カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。 ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。 提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-31T12:22:23Z)
• DeLR: Active Learning for Detection with Decoupled Localization and Recognition Query [53.54802901197267]
  本稿では,物体検出のための2つの重要な要素,すなわち局所化と認識を再考する。 そこで本研究では,アクティブクエリの局所化と認識をデカップリングする,効率的なクエリ戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-28T09:58:32Z)
• Multi-label and Multi-target Sampling of Machine Annotation for Computational Stance Detection [44.90471123149513]
  アノテーションの品質を最適化するために,マルチラベルおよびマルチターゲットサンプリング戦略を導入する。 ベンチマークスタンス検出コーパスの実験結果から,本手法は性能と学習効率を大幅に向上させることができることが示された。
  論文  参考訳（メタデータ） (2023-11-08T06:54:34Z)
• Active Learning for Abstractive Text Summarization [50.79416783266641]
  本稿では,抽象テキスト要約におけるアクティブラーニングのための最初の効果的なクエリ戦略を提案する。 ALアノテーションにおける私たちの戦略は、ROUGEと一貫性スコアの点からモデル性能を向上させるのに役立ちます。
  論文  参考訳（メタデータ） (2023-01-09T10:33:14Z)
• Evaluating Zero-cost Active Learning for Object Detection [4.106771265655055]
  オブジェクト検出には、ロバストなモデルを学習するためにかなりのラベル付け作業が必要である。 アクティブラーニングは、アノテートすべき関連するサンプルをインテリジェントに選択することで、この労力を減らすことができる。 重要成分は, 境界ボックスレベルのスコアだけでなく, ランキング画像のスコアを集約するためのテクニックも示している。
  論文  参考訳（メタデータ） (2022-12-08T11:48:39Z)
• Domain Adaptive Segmentation of Electron Microscopy with Sparse Point Annotations [2.5137859989323537]
  競争性能に優れたアノテーション効率のアプローチを開発する。 弱教師付きドメイン適応(WDA)に極端にスパースで弱いアノテーションのタイプで焦点を当てる。 15%のポイントアノテーションしか持たないモデルでは、教師付きモデルと同等のパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2022-10-24T10:50:37Z)
• Annotation Error Detection: Analyzing the Past and Present for a More Coherent Future [63.99570204416711]
  我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。 アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。 私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
  論文  参考訳（メタデータ） (2022-06-05T22:31:45Z)
• Point-Teaching: Weakly Semi-Supervised Object Detection with Point Annotations [81.02347863372364]
  本稿では,弱い半教師付きオブジェクト検出フレームワークであるPoint-Teachingを提案する。 具体的には,ポイントアノテート画像の擬似ラベルを生成するためのハンガリーの点マッチング手法を提案する。 そこで本研究では,不整合点の影響を低減するため,単純なyet- effective data augmentation(ポイント誘導コピーペースト)を提案する。
  論文  参考訳（メタデータ） (2022-06-01T07:04:38Z)
• SegTAD: Precise Temporal Action Detection via Semantic Segmentation [65.01826091117746]
  意味的セグメンテーションの新しい視点で時間的行動検出のタスクを定式化する。 TADの1次元特性により、粗粒度検出アノテーションを細粒度セマンティックセマンティックアノテーションに無償で変換できる。 1Dセマンティックセグメンテーションネットワーク(1D-SSN)と提案検出ネットワーク(PDN)からなるエンドツーエンドフレームワークSegTADを提案する。
  論文  参考訳（メタデータ） (2022-03-03T06:52:13Z)
• Active Learning for Coreference Resolution using Discrete Annotation [76.36423696634584]
  我々は、コア参照解決におけるアクティブラーニングのためのペアワイズアノテーションを改善した。 提案された参照ペアがコアフェレントでないと判断された場合、アノテータに参照アンテセントを識別するよう依頼する。 既存のベンチマークコアベンチマークデータセットを用いた実験では、この追加質問からの信号が人間のアノテーション時間当たりの大幅なパフォーマンス向上につながることが示された。
  論文  参考訳（メタデータ） (2020-04-28T17:17:11Z)

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。