論文の概要: Exploiting Low-confidence Pseudo-labels for Source-free Object Detection
- arxiv url: http://arxiv.org/abs/2310.12705v1
- Date: Thu, 19 Oct 2023 12:59:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 15:27:03.937929
- Title: Exploiting Low-confidence Pseudo-labels for Source-free Object Detection
- Title(参考訳): ソースフリー物体検出のための低信頼擬似ラベルの活用
- Authors: Zhihong Chen, Zilei Wang, Yixin Zhang
- Abstract要約: Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。
現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。
疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
- 参考スコア(独自算出の注目度): 54.98300313452037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Source-free object detection (SFOD) aims to adapt a source-trained detector
to an unlabeled target domain without access to the labeled source data.
Current SFOD methods utilize a threshold-based pseudo-label approach in the
adaptation phase, which is typically limited to high-confidence pseudo-labels
and results in a loss of information. To address this issue, we propose a new
approach to take full advantage of pseudo-labels by introducing high and low
confidence thresholds. Specifically, the pseudo-labels with confidence scores
above the high threshold are used conventionally, while those between the low
and high thresholds are exploited using the Low-confidence Pseudo-labels
Utilization (LPU) module. The LPU module consists of Proposal Soft Training
(PST) and Local Spatial Contrastive Learning (LSCL). PST generates soft labels
of proposals for soft training, which can mitigate the label mismatch problem.
LSCL exploits the local spatial relationship of proposals to improve the
model's ability to differentiate between spatially adjacent proposals, thereby
optimizing representational features further. Combining the two components
overcomes the challenges faced by traditional methods in utilizing
low-confidence pseudo-labels. Extensive experiments on five cross-domain object
detection benchmarks demonstrate that our proposed method outperforms the
previous SFOD methods, achieving state-of-the-art performance.
- Abstract(参考訳): Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。
現在のSFOD法では、適応相におけるしきい値に基づく擬似ラベルのアプローチを用いており、これは一般的に高信頼な擬似ラベルに限られており、情報の損失をもたらす。
この問題に対処するために,我々は,高信頼度と低信頼度しきい値を導入することによって,擬似ラベルを最大限に活用するための新しいアプローチを提案する。
具体的には、高閾値以上の信頼度を有する擬似ラベルを従来使用し、低信頼擬似ラベル利用(lpu)モジュールを用いて低閾値と高閾値の間を悪用する。
LPUモジュールは、提案ソフトトレーニング(PST)とローカル空間コントラスト学習(LSCL)で構成されている。
PSTは、ラベルミスマッチ問題を軽減できるソフトトレーニングの提案のソフトラベルを生成する。
lsclは提案の局所的な空間的関係を利用して、モデルが隣接する提案を区別する能力を改善し、表現的特徴をさらに最適化する。
2つのコンポーネントを組み合わせることで、低信頼の擬似ラベルを使用する従来の手法が直面する課題を克服する。
5つのクロスドメインオブジェクト検出ベンチマークにおいて、提案手法が従来のSFOD法より優れ、最先端性能を実現していることを示す。
関連論文リスト
- 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) - Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label
Learning [97.88458953075205]
Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。
本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
論文 参考訳(メタデータ) (2023-05-04T12:52:18Z) - Guiding Pseudo-labels with Uncertainty Estimation for Test-Time
Adaptation [27.233704767025174]
Test-Time Adaptation (TTA) は、Unsupervised Domain Adaptation (UDA) の特定のケースであり、モデルがソースデータにアクセスせずにターゲットドメインに適合する。
本稿では,損失再重み付け戦略に基づくTTA設定のための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-03-07T10:04:55Z) - Confidence-driven Bounding Box Localization for Small Object Detection [30.906712428887147]
信頼性駆動型バウンディングボックスローカライゼーション(C-BBL)法を提案する。
C-BBLは連続ラベルをグリッドに量子化し、2ホット基底の真理ラベルを定式化する。
異なるラベルシステムに対するC-BBLの一般化可能性と高分解能検出の有効性を示す。
論文 参考訳(メタデータ) (2023-03-03T09:19:08Z) - SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised
Learning [101.86916775218403]
本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。
トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。
実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
論文 参考訳(メタデータ) (2023-01-26T03:53:25Z) - Seq-UPS: Sequential Uncertainty-aware Pseudo-label Selection for
Semi-Supervised Text Recognition [21.583569162994277]
最も一般的なSSLアプローチの1つは擬似ラベル(PL)である。
PL法はノイズによって著しく劣化し、ノイズの多いラベルに過度に適合する傾向がある。
テキスト認識のための擬似ラベル生成と不確実性に基づくデータ選択フレームワークを提案する。
論文 参考訳(メタデータ) (2022-08-31T02:21:02Z) - Dense Learning based Semi-Supervised Object Detection [46.885301243656045]
半教師付きオブジェクト検出(SSOD)は、大量のラベルのないデータの助けを借りて、オブジェクト検出器の訓練と展開を容易にすることを目的としている。
本稿では,DenSe Learningに基づくアンカーフリーSSODアルゴリズムを提案する。
実験はMS-COCOとPASCAL-VOCで行われ,提案手法は新たな最先端SSOD性能を記録する。
論文 参考訳(メタデータ) (2022-04-15T02:31:02Z) - In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label
Selection Framework for Semi-Supervised Learning [53.1047775185362]
Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。
PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。
そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-01-15T23:29:57Z) - PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。
提案手法の有効性を,低データと高データの両方において示す。
論文 参考訳(メタデータ) (2020-10-19T17:59:30Z)
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。