論文の概要: Diffusing More Objects for Semi-Supervised Domain Adaptation with Less Labeling

• arxiv url: http://arxiv.org/abs/2312.12000v1
• Date: Tue, 19 Dec 2023 09:47:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 16:14:22.270123
• Title: Diffusing More Objects for Semi-Supervised Domain Adaptation with Less Labeling
• Title（参考訳）: ラベリングを減らした半監督ドメイン適応のためのさらなるオブジェクトの拡散
• Authors: Leander van den Heuvel, Gertjan Burghouts, David W. Zhang, Gwenn Englebienne, Sabina B. van Rooij
• Abstract要約: 物体検出では、境界ボックスの予測を逆拡散過程として見ることができる。 拡散モデルを用いて、ランダムバウンディングボックスは、画像に条件付けされた復調ステップで反復的に洗練される。 本稿では、ランダムなバウンディングボックスで各実行を起動し、わずかに異なる予測を組み合わせるアキュムレータ関数を提案する。
• 参考スコア（独自算出の注目度）: 2.941832525496685
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For object detection, it is possible to view the prediction of bounding boxes as a reverse diffusion process. Using a diffusion model, the random bounding boxes are iteratively refined in a denoising step, conditioned on the image. We propose a stochastic accumulator function that starts each run with random bounding boxes and combines the slightly different predictions. We empirically verify that this improves detection performance. The improved detections are leveraged on unlabelled images as weighted pseudo-labels for semi-supervised learning. We evaluate the method on a challenging out-of-domain test set. Our method brings significant improvements and is on par with human-selected pseudo-labels, while not requiring any human involvement.
• Abstract（参考訳）: 物体検出では、境界ボックスの予測を逆拡散過程として見ることができる。 拡散モデルを用いて、ランダムバウンディングボックスは、画像上に条件付けされたデノイジングステップで反復的に洗練される。 本稿では,確率的アキュムレータ関数を提案し,各実行をランダムなバウンディングボックスで開始する。 これが検出性能を向上させることを実証的に検証する。 改良された検出は、半教師付き学習のための重み付き擬似ラベルとして、ラベルなし画像に活用される。 本手法は,難解な領域外テストセット上で評価する。 提案手法は,人間の関与を必要とせず,人間の選択した擬似ラベルと同等な改善をもたらす。

関連論文リスト

• Appearance Blur-driven AutoEncoder and Motion-guided Memory Module for Video Anomaly Detection [14.315287192621662]
  ビデオ異常検出(VAD)は、しばしば正常なサンプルの分布を学習し、重要な偏差を測定することによって異常を検出する。 ほとんどのVADは、新しいターゲットドメインに対するデータセット間の検証には対応できない。 ゼロショットによるクロスデータセット検証を実現するため,動作誘導型メモリモジュールを用いた新しいVAD手法を提案する。
  論文  参考訳（メタデータ） (2024-09-26T07:48:20Z)
• TSBP: Improving Object Detection in Histology Images via Test-time Self-guided Bounding-box Propagation [14.771640666631557]
  オブジェクト検出タスクの最終結果にどのバウンディングボックスを含めるべきかを決定するために、グローバルしきい値(例:0.5)がしばしば適用される。 低い閾値は検出リコールを増加させるが、より多くの偽陽性をもたらす可能性がある。 このため、すべての有界ボックス候補に事前設定された大域しきい値(例:0.5)を用いることで、準最適解が導かれる。
  論文  参考訳（メタデータ） (2024-09-25T07:09:04Z)
• False Discovery Rate Control for Gaussian Graphical Models via Neighborhood Screening [1.7924920920347915]
  グラフ学習におけるノードワイズ変数の選択手法を導入し、選択したエッジセットの誤り発見率を自己推定レベルで確実に制御する。 個々の近傍の新たな融合法は、無向グラフ推定を出力する。
  論文  参考訳（メタデータ） (2024-01-18T13:46:41Z)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)
• DiffusionDet: Diffusion Model for Object Detection [56.48884911082612]
  DiffusionDetは、オブジェクト検出をノイズボックスからオブジェクトボックスへの遅延拡散プロセスとして定式化する新しいフレームワークである。 本研究は,ボックスの動的数と反復的評価を可能にする柔軟性の魅力的な特性を有する。
  論文  参考訳（メタデータ） (2022-11-17T18:56:19Z)
• Is your noise correction noisy? PLS: Robustness to label noise with two stage detection [16.65296285599679]
  本報告では, ノイズが検出された場合に, ノイズの補正精度を向上させることを提案する。 多くの最先端コントリビューションでは、修正された擬似ラベルを推測する前にノイズサンプルを検出する2段階のアプローチが採用されている。 ノイズサンプルの擬似ラベルの正しさと強く相関する単純な測度である擬似ロスを提案する。
  論文  参考訳（メタデータ） (2022-10-10T11:32:28Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated Label Mixing [104.630875328668]
  ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。 両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
  論文  参考訳（メタデータ） (2021-12-16T11:27:48Z)
• Label, Verify, Correct: A Simple Few Shot Object Detection Method [93.84801062680786]
  トレーニングセットから高品質な擬似アノテーションを抽出するための簡単な擬似ラベリング手法を提案する。 擬似ラベリングプロセスの精度を向上させるための2つの新しい手法を提案する。 提案手法は,既存手法と比較して,最先端ないし第2の性能を実現する。
  論文  参考訳（メタデータ） (2021-12-10T18:59:06Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• DANCE: Enhancing saliency maps using decoys [35.46266461621123]
  本稿では,2段階の手順に従うことで,サリエンシ手法の堅牢性を向上させる枠組みを提案する。 まず、中間表現を変更せずに入力サンプルを微妙に変化させる摂動機構を導入する。 第2に、摂動サンプルの塩分マップを計算し、塩分マップを集約する新しい方法を提案する。
  論文  参考訳（メタデータ） (2020-02-03T01:21:48Z)

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。