Fugu-MT 論文翻訳(概要): CPR++: Object Localization via Single Coarse Point Supervision

論文の概要: CPR++: Object Localization via Single Coarse Point Supervision

arxiv url: http://arxiv.org/abs/2401.17203v1
Date: Tue, 30 Jan 2024 17:38:48 GMT
ステータス: 処理完了
システム内更新日: 2024-01-31 13:55:01.424515
Title: CPR++: Object Localization via Single Coarse Point Supervision
Title（参考訳）: CPR++:単一粗点スーパービジョンによるオブジェクトローカライゼーション
Authors: Xuehui Yu, Pengfei Chen, Kuiran Wang, Xumeng Han, Guorong Li, Zhenjun Han, Qixiang Ye, Jianbin Jiao
Abstract要約: 粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
参考スコア（独自算出の注目度）: 55.8671776333499
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Point-based object localization (POL), which pursues high-performance object sensing under low-cost data annotation, has attracted increased attention. However, the point annotation mode inevitably introduces semantic variance due to the inconsistency of annotated points. Existing POL heavily rely on strict annotation rules, which are difficult to define and apply, to handle the problem. In this study, we propose coarse point refinement (CPR), which to our best knowledge is the first attempt to alleviate semantic variance from an algorithmic perspective. CPR reduces the semantic variance by selecting a semantic centre point in a neighbourhood region to replace the initial annotated point. Furthermore, We design a sampling region estimation module to dynamically compute a sampling region for each object and use a cascaded structure to achieve end-to-end optimization. We further integrate a variance regularization into the structure to concentrate the predicted scores, yielding CPR++. We observe that CPR++ can obtain scale information and further reduce the semantic variance in a global region, thus guaranteeing high-performance object localization. Extensive experiments on four challenging datasets validate the effectiveness of both CPR and CPR++. We hope our work can inspire more research on designing algorithms rather than annotation rules to address the semantic variance problem in POL. The dataset and code will be public at github.com/ucas-vg/PointTinyBenchmark.
Abstract（参考訳）: 低コストデータアノテーション下で高性能オブジェクトセンシングを追求するpoint-based object localization(pol)が注目されている。しかし、ポイントアノテーションモードは、必然的に、注釈付きポイントの不一致による意味的分散を導入する。既存のPOLは厳密なアノテーションルールに大きく依存しています。本研究では,アルゴリズムの観点から意味的分散を緩和する最初の試みとして,最善の知識に対して粗点補正(cpr)を提案する。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。さらに,各オブジェクトのサンプリング領域を動的に計算するサンプリング領域推定モジュールを設計し,カスケード構造を用いてエンドツーエンド最適化を行う。さらに、予測スコアに集中するために分散正規化を構造に統合し、CPR++を得る。我々は、CPR++がスケール情報を取得し、グローバル領域における意味的分散をさらに低減し、高性能なオブジェクトローカライゼーションを保証することを観察する。 4つの挑戦的なデータセットに関する大規模な実験は、CPRとCPR++の有効性を検証する。我々の研究がpolのセマンティクス分散問題に対処するためのアノテーションルールではなく、アルゴリズム設計に関するさらなる研究を刺激できることを願っています。データセットとコードはgithub.com/ucas-vg/PointTinyBenchmarkで公開される。

関連論文リスト

Dense Center-Direction Regression for Object Counting and Localization with Point Supervision [1.9526430269580954]
本稿では,CeDiRNetと呼ばれる新しい学習手法を提案する。最寄りの物体中心を向いている方向の高密度な回帰を利用する。既存の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-08-26T17:49:27Z)
Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文参考訳（メタデータ） (2022-11-12T09:21:49Z)
Domain Adaptive Segmentation of Electron Microscopy with Sparse Point Annotations [2.5137859989323537]
競争性能に優れたアノテーション効率のアプローチを開発する。弱教師付きドメイン適応(WDA)に極端にスパースで弱いアノテーションのタイプで焦点を当てる。 15%のポイントアノテーションしか持たないモデルでは、教師付きモデルと同等のパフォーマンスが得られることを示す。
論文参考訳（メタデータ） (2022-10-24T10:50:37Z)
Global Pointer: Novel Efficient Span-based Approach for Named Entity Recognition [7.226094340165499]
名前付きエンティティ認識(NER)タスクは、事前に定義されたセマンティックタイプに属するテキストからエンティティを識別することを目的としている。フラットエンティティのための最先端のソリューション NER は、基盤となるテキストの詳細なセマンティック情報を取得するのが一般的である。提案するNERフレームワークであるGlobal Pointer(GP)は,乗法的アテンション機構によって相対位置を利用する。
論文参考訳（メタデータ） (2022-08-05T09:19:46Z)
Object Localization under Single Coarse Point Supervision [107.46800858130658]
本稿では,粗い点アノテーションを用いたPOL手法を提案する。 CPRは、ポイントバッグを構築し、セマンティック関連点を選択し、マルチインスタンス学習(MIL)を通してセマンティックセンターポイントを生成する。このようにして、CPRは、粗い点監督の下で高性能オブジェクトローカライザのトレーニングを保証する、弱い制御された進化手順を定義する。
論文参考訳（メタデータ） (2022-03-17T14:14:11Z)
Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework [59.578339075658995]
そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
論文参考訳（メタデータ） (2021-07-27T11:41:50Z)
Unveiling the Potential of Structure-Preserving for Weakly Supervised Object Localization [71.79436685992128]
本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
論文参考訳（メタデータ） (2021-03-08T03:04:14Z)
Local Context Attention for Salient Object Segmentation [5.542044768017415]
本研究では,一様表現型アーキテクチャで局所強化特徴写像を生成するための新しいローカルコンテキスト注意ネットワーク(LCANet)を提案する。提案するネットワークでは,粗い予測と大域的コンテキストの間の相関特徴写像を計算し,アテンショナル・コリレーション・フィルタ (ACF) モジュールを導入している。いくつかの有能なオブジェクトセグメンテーションデータセットに対して総合的な実験を行い、提案したLCANetの最先端手法に対する優れた性能を実証した。
論文参考訳（メタデータ） (2020-09-24T09:20:06Z)
Learning to Predict Context-adaptive Convolution for Semantic Segmentation [66.27139797427147]
長距離コンテキスト情報は、高性能なセマンティックセグメンテーションを実現するために不可欠である。空間的に変化する特徴重み付けベクトルを予測するためのコンテキスト適応畳み込みネットワーク(CaC-Net)を提案する。当社のCaC-Netは,3つの公開データセット上でのセグメンテーション性能に優れています。
論文参考訳（メタデータ） (2020-04-17T13:09:17Z)

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。