論文の概要: Consensus Focus for Object Detection and minority classes
- arxiv url: http://arxiv.org/abs/2401.05530v1
- Date: Wed, 10 Jan 2024 19:55:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 02:09:11.989374
- Title: Consensus Focus for Object Detection and minority classes
- Title(参考訳): オブジェクト検出とマイノリティクラスのためのコンセンサス焦点
- Authors: Erik Isai Valle Salgado, Chen Li, Yaqi Han, Linchao Shi, Xinghui Li
- Abstract要約: 半教師付きおよび長い尾を持つ物体検出のための修正されたコンセンサス焦点を提案する。
本稿では,ソース信頼度に基づく投票システムを導入し,各モデルのコンセンサスにおける貢献度を推定する。
実験では,NMS,ソフトNMS,WBFよりも信頼性が高く,バウンディングボックスの精度が高かった。
- 参考スコア(独自算出の注目度): 4.012385959784958
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensemble methods exploit the availability of a given number of classifiers or
detectors trained in single or multiple source domains and tasks to address
machine learning problems such as domain adaptation or multi-source transfer
learning. Existing research measures the domain distance between the sources
and the target dataset, trains multiple networks on the same data with
different samples per class, or combines predictions from models trained under
varied hyperparameters and settings. Their solutions enhanced the performance
on small or tail categories but hurt the rest. To this end, we propose a
modified consensus focus for semi-supervised and long-tailed object detection.
We introduce a voting system based on source confidence that spots the
contribution of each model in a consensus, lets the user choose the relevance
of each class in the target label space so that it relaxes minority bounding
boxes suppression, and combines multiple models' results without discarding the
poisonous networks. Our tests on synthetic driving datasets retrieved higher
confidence and more accurate bounding boxes than the NMS, soft-NMS, and WBF.
- Abstract(参考訳): Ensembleメソッドは、単一または複数のソースドメインとタスクでトレーニングされた所定の数の分類器または検出器の可用性を利用して、ドメイン適応やマルチソース転送学習といった機械学習問題に対処する。
既存の研究では、ソースとターゲットデータセット間のドメイン距離を測定し、クラス毎に異なるサンプルで同じデータ上で複数のネットワークをトレーニングしたり、さまざまなハイパーパラメータと設定の下でトレーニングされたモデルからの予測を組み合わせる。
彼らのソリューションは小または末尾のカテゴリのパフォーマンスを高めたが、残りは傷ついた。
そこで本研究では,半教師付きおよび長尾オブジェクト検出のためのコンセンサス修正を提案する。
本稿では,各モデルの貢献度をコンセンサスに示すソース信頼度に基づく投票システムを導入し,ターゲットラベル空間における各クラスの関連性をユーザが選択することで,マイノリティバウンディングボックスの抑制を緩和し,有毒ネットワークを捨てることなく複数のモデルの結果を組み合わせる。
実験では,NMS,ソフトNMS,WBFよりも信頼性が高く,バウンディングボックスの精度が高かった。
関連論文リスト
- Revisiting the Domain Shift and Sample Uncertainty in Multi-source
Active Domain Transfer [69.82229895838577]
Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。
この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。
これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
論文 参考訳(メタデータ) (2023-11-21T13:12:21Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - Federated Multi-Target Domain Adaptation [99.93375364579484]
フェデレートされた学習手法により、プライバシを保護しながら、分散ユーザデータ上で機械学習モデルをトレーニングすることが可能になります。
分散クライアントデータがラベル付けされず、集中型ラベル付きデータセットがサーバ上で利用可能となる、より実用的なシナリオを考えます。
本稿では,新しい課題に対処する効果的なDualAdapt法を提案する。
論文 参考訳(メタデータ) (2021-08-17T17:53:05Z) - Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。
DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。
擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-06-30T03:17:20Z) - Generalized One-Class Learning Using Pairs of Complementary Classifiers [41.64645294104883]
1クラス学習は、単一のクラスでのみアノテーションが利用できるデータにモデルを適合させる古典的な問題である。
本稿では,一級学習の新たな目的を探求し,これを一般化一級識別サブスペース(GODS)と呼ぶ。
論文 参考訳(メタデータ) (2021-06-24T18:52:05Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳(メタデータ) (2020-09-01T00:06:50Z) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳(メタデータ) (2020-01-06T13:37:51Z)
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。