論文の概要: AIO2: Online Correction of Object Labels for Deep Learning with
Incomplete Annotation in Remote Sensing Image Segmentation
- arxiv url: http://arxiv.org/abs/2403.01641v1
- Date: Sun, 3 Mar 2024 23:35:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 20:24:43.416272
- Title: AIO2: Online Correction of Object Labels for Deep Learning with
Incomplete Annotation in Remote Sensing Image Segmentation
- Title（参考訳）: aio2: リモートセンシング画像セグメンテーションにおける不完全アノテーションを用いたディープラーニング用オブジェクトラベルのオンライン補正
- Authors: Chenying Liu and Conrad M Albrecht and Yi Wang and Qingyu Li and Xiao
Xiang Zhu
- Abstract要約: OpenStreetMapのようなクラウドソーシングプロジェクトは、アノテーションの負荷をコミュニティに分散させる。
不完全なラベルセットによって誘導されるアノテーションノイズに対処するため、適応的trIggered Online Object-wise correct (AIO2)を提案する。
AIO2はアダプティブ・コレクション・トリガー (ACT) モジュールを備えており、モデルトレーニングの過小評価や過小評価の際のラベル修正を回避し、オンライン・オブジェクト・ワイド・コレクション (O2C) 方法論は自動ラベル修正に空間情報を利用する。
- 参考スコア（独自算出の注目度）: 19.223382453905764
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While the volume of remote sensing data is increasing daily, deep learning in
Earth Observation faces lack of accurate annotations for supervised
optimization. Crowdsourcing projects such as OpenStreetMap distribute the
annotation load to their community. However, such annotation inevitably
generates noise due to insufficient control of the label quality, lack of
annotators, frequent changes of the Earth's surface as a result of natural
disasters and urban development, among many other factors. We present
Adaptively trIggered Online Object-wise correction (AIO2) to address annotation
noise induced by incomplete label sets. AIO2 features an Adaptive Correction
Trigger (ACT) module that avoids label correction when the model training
under- or overfits, and an Online Object-wise Correction (O2C) methodology that
employs spatial information for automated label modification. AIO2 utilizes a
mean teacher model to enhance training robustness with noisy labels to both
stabilize the training accuracy curve for fitting in ACT and provide pseudo
labels for correction in O2C. Moreover, O2C is implemented online without the
need to store updated labels every training epoch. We validate our approach on
two building footprint segmentation datasets with different spatial
resolutions. Experimental results with varying degrees of building label noise
demonstrate the robustness of AIO2. Source code will be available at
https://github.com/zhu-xlab/AIO2.git.
- Abstract（参考訳）: リモートセンシングデータの量は毎日増えているが、地球観測における深層学習には教師あり最適化のための正確なアノテーションが欠けている。
OpenStreetMapのようなクラウドソーシングプロジェクトは、アノテーションの負荷をコミュニティに分散させる。
しかし、このようなアノテーションは、必然的に、ラベル品質の制御不足、注釈の欠如、自然災害や都市開発の結果、地球表面の頻繁な変化、その他多くの要因によりノイズを発生させる。
不完全なラベルセットによって誘導されるアノテーションノイズに対処するため、適応的trIggered Online Object-wise correct (AIO2)を提案する。
aio2は適応補正トリガー(act)モジュールを備えており、モデルトレーニングが過度に適合している場合のラベル修正を回避し、自動ラベル修正のために空間情報を利用するオンラインオブジェクトワイズ補正(o2c)方法論も備えている。
AIO2は、平均教師モデルを用いて、ノイズラベルによるトレーニングロバスト性を向上し、ACTにおけるトレーニング精度曲線を安定化させ、O2Cにおける修正のための擬似ラベルを提供する。
さらに、O2Cはトレーニングのたびに更新されたラベルを保存することなくオンラインに実装されている。
空間分解能の異なる2つの構造フットプリントセグメンテーションデータセットに対するアプローチを検証する。
AIO2のロバスト性を示す建物ラベルノイズの程度が異なる実験結果を得た。
ソースコードはhttps://github.com/zhu-xlab/AIO2.gitで入手できる。
関連論文リスト
- AdaSemiCD: An Adaptive Semi-Supervised Change Detection Method Based on Pseudo-Label Evaluation [0.0]
擬似ラベルの使用を改善するための適応型動的半教師付き学習手法であるAdaCDを提案し,学習過程を最適化する。
LEVIR-CD, WHU-CD, CDDデータセットによる実験結果から, 適応学習フレームワークの有効性と普遍性を検証した。
論文 参考訳（メタデータ） (2024-11-12T12:35:34Z) - Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
この話題は、3次元の点雲のセグメンテーションで広く研究されている。
近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。
既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。
本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
論文 参考訳（メタデータ） (2024-08-29T13:31:15Z) - PNT-Edge: Towards Robust Edge Detection with Noisy Labels by Learning
Pixel-level Noise Transitions [119.17602768128806]
特に大規模なデータセットでは、エッジの正確なラベル付けは難しい。
本稿では,ラベル破壊過程をモデル化するために,Pixelレベルのノイズ遷移を学習することを提案する。
論文 参考訳（メタデータ） (2023-07-26T09:45:17Z) - Semi-Supervised 2D Human Pose Estimation Driven by Position
Inconsistency Pseudo Label Correction Module [74.80776648785897]
i) 大規模モデルと軽量モデルの間で対話的なトレーニングを行う場合, 大規模モデルのガイドに擬似的な軽量モデルラベルを用いる。
位置整合性擬似ラベル補正モジュール(SSPCM)により駆動される半教師付き2次元ポーズ推定フレームワークを提案する。
学生モデルの性能向上のために,擬似キーポイント認識に基づく半教師付きカットオクルードを用いて,より硬く効果的なサンプルを生成する。
論文 参考訳（メタデータ） (2023-03-08T02:57:05Z) - VIBUS: Data-efficient 3D Scene Parsing with VIewpoint Bottleneck and
Uncertainty-Spectrum Modeling [2.0624279915507047]
3Dシーン解析モデルの訓練は、興味深い代替手段だ。
このタスクをデータ効率のよい3Dシーン解析と呼ぶ。
そこで本研究では,VIBUSという2段階の有効なフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-20T17:59:57Z) - W2N:Switching From Weak Supervision to Noisy Supervision for Object
Detection [64.10643170523414]
弱い監督からうるさい監督(W2N)に切り替える新しいパラダイムを持つ新しいWSODフレームワークを提案する。
ローカライズ適応モジュールでは、元の擬似接地構造における識別部分の割合を減らすために正規化損失を提案する。
我々のW2Nは、既存の純粋なWSODメソッドや転送学習メソッドよりも優れています。
論文 参考訳（メタデータ） (2022-07-25T12:13:48Z) - Weakly-Supervised Salient Object Detection Using Point Supervison [17.88596733603456]
現在の最先端の精度検出モデルは、正確なピクセル単位のアノテーションの大規模なデータセットに大きく依存している。
本稿では,ポイント・インスペクタを用いた弱教師付きサルエント・オブジェクト検出手法を提案する。
我々の手法は、より強い監督力で訓練された従来の最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2022-03-22T12:16:05Z) - ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D
Object Detection [78.71826145162092]
本稿では,ST3D++という名前の自己学習手法を提案する。
擬似ラベル生成プロセスにハイブリット品質を意識した三重項メモリを組み込むことにより、生成された擬似ラベルの品質と安定性を向上させる。
モデルトレーニングの段階では、ソースデータ支援トレーニング戦略とカリキュラムデータ拡張ポリシーを提案する。
論文 参考訳（メタデータ） (2021-08-15T07:49:06Z) - Exploiting Negative Learning for Implicit Pseudo Label Rectification in
Source-Free Domain Adaptive Semantic Segmentation [12.716865774780704]
ソースフリードメイン適応(SFDA)のための最先端の手法は厳格な制限を受ける。
textitPR-SFDA は 49.0 mIoU を達成している。
論文 参考訳（メタデータ） (2021-06-23T02:20:31Z) - On the Arbitrary-Oriented Object Detection: Classification based
Approaches Revisited [94.5455251250471]
まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。
我々は、角予測タスクを回帰問題から分類問題に変換する。
得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
論文 参考訳（メタデータ） (2020-03-12T03:23:54Z)
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。