論文の概要: RankED: Addressing Imbalance and Uncertainty in Edge Detection Using Ranking-based Losses

• arxiv url: http://arxiv.org/abs/2403.01795v2
• Date: Thu, 7 Mar 2024 11:22:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-08 16:37:17.471579
• Title: RankED: Addressing Imbalance and Uncertainty in Edge Detection Using Ranking-based Losses
• Title（参考訳）: ランク付き:ランク付けによるエッジ検出における不均衡と不確かさの対応
• Authors: Bedrettin Cetinkaya, Sinan Kalkan, Emre Akbas
• Abstract要約: Rankedは、不均衡問題(P1)と不確実性問題(P2)に対処するランクベースのアプローチである。 Rankedは過去の研究より優れており、NYUD-v2、BSDS500、Multi-cueのデータセットに新しい最先端のデータセットをセットしている。
• 参考スコア（独自算出の注目度）: 20.444845590828336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting edges in images suffers from the problems of (P1) heavy imbalance between positive and negative classes as well as (P2) label uncertainty owing to disagreement between different annotators. Existing solutions address P1 using class-balanced cross-entropy loss and dice loss and P2 by only predicting edges agreed upon by most annotators. In this paper, we propose RankED, a unified ranking-based approach that addresses both the imbalance problem (P1) and the uncertainty problem (P2). RankED tackles these two problems with two components: One component which ranks positive pixels over negative pixels, and the second which promotes high confidence edge pixels to have more label certainty. We show that RankED outperforms previous studies and sets a new state-of-the-art on NYUD-v2, BSDS500 and Multi-cue datasets. Code is available at https://ranked-cvpr24.github.io.
• Abstract（参考訳）: 画像のエッジを検出するには, (P1) と (P2) の負のクラス間の重大不均衡や, (P2) のラベルの不確かさが問題となる。 既存のソリューションは、クラスバランスのクロスエントロピー損失とダイス損失を使ってp1に対処する。 本稿では,不均衡問題 (p1) と不確実性問題 (p2) の両方を解決する,統一的なランキングベースアプローチを提案する。 Rankedは2つの問題に対処する: 負のピクセルよりも正のピクセルをランク付けするコンポーネントと、高信頼のエッジピクセルをラベルの確実性を高めるコンポーネントである。 Rankedは過去の研究より優れており、NYUD-v2、BSDS500、Multi-cueのデータセットに新しい最先端のデータセットをセットしている。 コードはhttps://ranked-cvpr24.github.ioで入手できる。

関連論文リスト

• Decoupling Pixel Flipping and Occlusion Strategy for Consistent XAI Benchmarks [1.068128849363198]
  閉塞戦略は、単純な平均置換から、最先端拡散モデルによる塗装まで、大きく異なる可能性がある。 PFベンチマークは、ランキングに矛盾する結果となった。 特徴は、最も影響力のある第1(MIF)から始まるか、最も影響力の低い第1(LIF)から削除される。
  論文  参考訳（メタデータ） (2024-01-12T16:01:17Z)
• Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
  分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。 本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。 チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:39:35Z)
• The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge Detector [70.43599299422813]
  既存のメソッドは、単純な投票プロセスを使用して複数のアノテーションを融合し、エッジ固有の曖昧さを無視し、アノテータのラベル付けバイアスを無視する。 多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。 UAEDは複数のエッジ検出ベンチマークで一貫したパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-03-21T13:14:36Z)
• Linear-Covariance Loss for End-to-End Learning of 6D Pose Estimation [64.12149365530624]
  現代の画像に基づく6Dオブジェクトのポーズ推定手法は、2D-3D対応の予測を学習し、そこから解法を用いてポーズを求めることができる。 ここでは、ネットワークが精度を低下させるであろう勾配につながる問題の平均的な性質と矛盾するものであると論じる。
  論文  参考訳（メタデータ） (2023-03-21T00:32:31Z)
• Revisiting AP Loss for Dense Object Detection: Adaptive Ranking Pair Selection [19.940491797959407]
  本研究では, 平均精度 (AP) の損失を再考し, その重要な要素は, 正試料と負試料のランキングペアを選択することであることを明らかにした。 本稿では,AP損失を改善するための2つの方法を提案する。第1に,APE(Adaptive Pairwise Error)損失は,正と負の両方のサンプルにおいて,ペアのランク付けに重点を置いている。 MSCOCOデータセットで行った実験は、現在の分類とランキングの損失と比較して、提案手法の優位性を実証し、分析を支援した。
  論文  参考訳（メタデータ） (2022-07-25T10:33:06Z)
• Which to Match? Selecting Consistent GT-Proposal Assignment for Pedestrian Detection [23.92066492219922]
  IoU(Universal Intersection over Union)ベースの割り当て-回帰方式は依然としてパフォーマンスを制限している。 新しい割り当てと回帰メトリックとして、1つの幾何学的敏感検索アルゴリズムを紹介します。 具体的には、MR-FPPIをR$_75$で8.8%向上させます。
  論文  参考訳（メタデータ） (2021-03-18T08:54:51Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)
• Pointwise Binary Classification with Pairwise Confidence Comparisons [97.79518780631457]
  ペアワイズ比較(Pcomp)分類を提案し、ラベルのないデータのペアしか持たない。 我々はPcomp分類をノイズラベル学習に結びつけて、進歩的UREを開発し、一貫性の正則化を課すことにより改善する。
  論文  参考訳（メタデータ） (2020-10-05T09:23:58Z)
• Distribution-Balanced Loss for Multi-Label Classification in Long-Tailed Datasets [98.74153364118898]
  本稿では,長距離クラス分布を示す多ラベル認識問題に対して,分散ベース損失と呼ばれる新たな損失関数を提案する。 Distribution-Balanced Lossは、標準的なバイナリのクロスエントロピー損失に対する2つの重要な修正を通じて、これらの問題に取り組む。 パスカルVOCとCOCOの両方の実験により、この新しい損失関数で訓練されたモデルは、大幅な性能向上を達成できた。
  論文  参考訳（メタデータ） (2020-07-19T11:50:10Z)

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。