論文の概要: Noised Autoencoders for Point Annotation Restoration in Object Counting

• arxiv url: http://arxiv.org/abs/2312.07190v1
• Date: Tue, 12 Dec 2023 11:53:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 16:28:30.159153
• Title: Noised Autoencoders for Point Annotation Restoration in Object Counting
• Title（参考訳）: オブジェクトカウントにおけるポイントアノテーション復元のためのノイズ自動符号化器
• Authors: Yuda Zou, Xin Xiao, Peilin Zhou, Zhichao Sun, Bo Du, Yongchao Xu
• Abstract要約: 本稿では、すべてのアノテーションから一般的な位置知識を抽出するノイズオートエンコーダ(NAE)手法を紹介する。 我々はNAEが元のアノテーションよりも一貫性のあるアノテーションを出力し、これらのアノテーションで訓練された高度なモデルの性能を着実に向上させることを示す。
• 参考スコア（独自算出の注目度）: 33.549722144522356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object counting is a field of growing importance in domains such as security surveillance, urban planning, and biology. The annotation is usually provided in terms of 2D points. However, the complexity of object shapes and subjective of annotators may lead to annotation inconsistency, potentially confusing the model during training. To alleviate this issue, we introduce the Noised Autoencoders (NAE) methodology, which extracts general positional knowledge from all annotations. The method involves adding random offsets to initial point annotations, followed by a UNet to restore them to their original positions. Similar to MAE, NAE faces challenges in restoring non-generic points, necessitating reliance on the most common positions inferred from general knowledge. This reliance forms the cornerstone of our method's effectiveness. Different from existing noise-resistance methods, our approach focus on directly improving initial point annotations. Extensive experiments show that NAE yields more consistent annotations compared to the original ones, steadily enhancing the performance of advanced models trained with these revised annotations. \textbf{Remarkably, the proposed approach helps to set new records in nine datasets}. We will make the NAE codes and refined point annotations available.
• Abstract（参考訳）: オブジェクトカウントは、セキュリティ監視、都市計画、生物学といった分野において重要性を増している分野である。 アノテーションは通常、2dポイントで提供される。 しかし、オブジェクト形状の複雑さとアノテーションの主観性はアノテーションの不整合を招き、トレーニング中にモデルを混乱させる可能性がある。 この問題を緩和するために、すべてのアノテーションから一般的な位置知識を抽出するノイズオートエンコーダ(NAE)手法を導入する。 このメソッドでは、初期ポイントアノテーションにランダムなオフセットを追加し、その後unetで元の位置に復元する。 MAEと同様に、NAEは一般的な知識から推測される最も一般的な位置への依存を必要とせず、非ジェネリックな点を復元する際の課題に直面している。 この依存が我々の方法の有効性の基盤となる。 既存のノイズ耐性メソッドとは異なり、我々のアプローチは初期点アノテーションを直接改善することに焦点を合わせます。 大規模な実験により、NAEは元のアノテーションよりも一貫性のあるアノテーションを得られることが示され、これらのアノテーションで訓練された高度なモデルの性能が着実に向上した。 注意すべき点として、提案されたアプローチは9つのデータセットに新しいレコードを設定するのに役立つ。 NAEコードと洗練されたポイントアノテーションを利用可能にします。

関連論文リスト

• Point-VOS: Pointing Up Video Object Segmentation [16.359861197595986]
  現在の最先端のビデオオブジェクト(VOS)メソッドは、トレーニングとテストの両方において、オブジェクトごとの密集したマスクアノテーションに依存している。 本稿では,その労力を大幅に削減する疎時間的ポイントワイドアノテーションスキームを備えた新しいPoint-VOSタスクを提案する。 ビデオナラティブグラウンドディング(VNG)タスクで評価することで、視覚と言語を接続するモデルを改善するために、我々のデータが利用できることを示す。
  論文  参考訳（メタデータ） (2024-02-08T18:52:23Z)
• Regressor-Segmenter Mutual Prompt Learning for Crowd Counting [70.49246560246736]
  本稿では,アノテーションの差によるバイアスや不正確性を解決するために,相互学習(mPrompt)を提案する。 実験により、mPromptは平均誤差(MAE)を著しく減少させることが示された。
  論文  参考訳（メタデータ） (2023-12-04T07:53:59Z)
• Focus for Free in Density-Based Counting [56.961229110268036]
  利用可能なポイントアノテーションを再利用して、カウント性能を向上させる2つの方法を紹介します。 1つ目は、ポイントアノテーションを利用して、入力画像と密度画像の両方で隠蔽されたオブジェクトをシミュレートするカウント固有の拡張である。 第2の方法である前景蒸留は点アノテーションから前景マスクを生成し,黒色背景を持つ画像上で補助的ネットワークを訓練する。
  論文  参考訳（メタデータ） (2023-06-08T11:54:37Z)
• ComplETR: Reducing the cost of annotations for object detection in dense scenes with vision transformers [73.29057814695459]
  ComplETRは、部分的にアノテートされた高密度なシーンデータセットで欠落したアノテーションを明示的に補完するように設計されている。 これにより、シーン内のすべてのオブジェクトインスタンスに注釈を付ける必要がなくなり、アノテーションのコストが削減される。 本稿では, 高速R-CNN, カスケードR-CNN, CenterNet2, Deformable DETRなどの人気検出器の性能向上を示す。
  論文  参考訳（メタデータ） (2022-09-13T00:11:16Z)
• 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)
• Pre-trained Language Models as Re-Annotators [3.193067591317475]
  事前学習言語モデルから意味センシティブなアノテーション表現を取得する方法について検討する。 アノテーション修正のためのクロスバリデーションに基づく事前学習言語モデルを微調整する。 関係抽出における再アノテーションについて検討し、手動で改訂したデータセットRe-DocREDを作成する。
  論文  参考訳（メタデータ） (2022-05-11T09:28:23Z)
• P2P-Loc: Point to Point Tiny Person Localization [47.6728595874315]
  本稿では,人物位置決め作業のための新しいポイントベースフレームワークを提案する。 粗い点(粗い点)として各人に注釈を付けることは、正確なバウンディングボックスではなく、オブジェクトの範囲内の任意の点である。 提案手法は,アノテーションを最大80$%のコストで保存しながら,オブジェクトのローカライゼーション性能に匹敵する。
  論文  参考訳（メタデータ） (2021-12-31T08:24:43Z)
• Annotation Curricula to Implicitly Train Non-Expert Annotators [56.67768938052715]
  自発的な研究は、しばしば、アノテータがタスク、そのアノテーションスキーム、およびデータドメインに精通することを要求する。 これは最初は圧倒的であり、精神的に課税され、結果として生じるアノテーションにエラーを誘導する。 暗黙的にアノテータを訓練する新しい手法であるアノテーションキュリキュラを提案する。
  論文  参考訳（メタデータ） (2021-06-04T09:48:28Z)

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。