Fugu-MT 論文翻訳(概要): Exploiting Low-confidence Pseudo-labels for Source-free Object Detection

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

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)
Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
論文参考訳（メタデータ） (2024-07-26T09:33:53Z)
Enhancing Source-Free Domain Adaptive Object Detection with Low-confidence Pseudo Label Distillation [37.57363656691405]
Source-Free Domain Adaptive Object Detection (SFOD)は、トレーニング済みの検出器を新しい未ラベルのドメインにデプロイするための有望な戦略である。本稿では,低信頼 Pseudo Label Distillation (LPLD) の損失を平均教師に基づくSFODフレームワークに導入する。本手法は,4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,従来のSFOD法よりも優れていた。
論文参考訳（メタデータ） (2024-07-18T13:58:42Z)
Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
論文参考訳（メタデータ） (2024-04-16T13:52:00Z)
A Channel-ensemble Approach: Unbiased and Low-variance Pseudo-labels is Critical for Semi-supervised Classification [61.473485511491795]
半教師付き学習(SSL)はコンピュータビジョンにおける実践的な課題である。 Pseudo-label (PL) メソッド、例えば FixMatch や FreeMatch は SSL で State of The Art (SOTA) のパフォーマンスを取得する。本稿では,複数の下位PLを理論的に保証された非偏りと低分散のPLに集約する,軽量なチャネルベースアンサンブル法を提案する。
論文参考訳（メタデータ） (2024-03-27T09:49:37Z)
Uncertainty-Aware Pseudo-Label Filtering for Source-Free Unsupervised Domain Adaptation [45.53185386883692]
Source-free unsupervised domain adapt (SFUDA) は、訓練済みのソースモデルを、ソースデータにアクセスすることなく、ラベルなしのターゲットドメインで利用できるようにすることを目的としている。本稿では,不確かさを意識したPseudo-label-filtering Adaptation (UPA) という手法を提案する。
論文参考訳（メタデータ） (2024-03-17T16:19:40Z)
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)
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)
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)

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。