論文の概要: Smart Feature is What You Need

• arxiv url: http://arxiv.org/abs/2406.15805v1
• Date: Sat, 22 Jun 2024 10:18:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-25 20:35:12.271120
• Title: Smart Feature is What You Need
• Title（参考訳）: スマートな機能とは何か
• Authors: Zhaoxin Hu, Keyan Ren,
• Abstract要約: 情報不足による形状誘導の欠如とラベルジッタは、3次元弱教師付き物体検出の主要な問題である。 MMA(Multiscale Mixed Attention)と呼ばれる新しいプラグイン・アンド・イン・ポイント・クラウド特徴表現ネットワークを提案する。 MMAは、近傍の隣接注意と異なる密度スケールにおける不均一注意を利用して特徴表現ネットワークを構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lack of shape guidance and label jitter caused by information deficiency of weak label are the main problems in 3D weakly-supervised object detection. Current weakly-supervised models often use heuristics or assumptions methods to infer information from weak labels without taking advantage of the inherent clues of weakly-supervised and fully-supervised methods, thus it is difficult to explore a method that combines data utilization efficiency and model accuracy. In an attempt to address these issues, we propose a novel plug-and-in point cloud feature representation network called Multi-scale Mixed Attention (MMA). MMA utilizes adjacency attention within neighborhoods and disparity attention at different density scales to build a feature representation network. The smart feature representation obtained from MMA has shape tendency and object existence area inference, which can constrain the region of the detection boxes, thereby alleviating the problems caused by the information default of weak labels. Extensive experiments show that in indoor weak label scenarios, the fully-supervised network can perform close to that of the weakly-supervised network merely through the improvement of point feature by MMA. At the same time, MMA can turn waste into treasure, reversing the label jitter problem that originally interfered with weakly-supervised detection into the source of data enhancement, strengthening the performance of existing weak supervision detection methods. Our code is available at https://github.com/hzx-9894/MMA.
• Abstract（参考訳）: 弱ラベル情報不足による形状誘導の欠如とラベルジッタは、3次元弱教師対象検出の主な問題である。 現在の弱教師付きモデルは、弱教師付きおよび完全教師付き手法の本質的な手がかりを生かさずに、弱ラベルから情報を引き出すためのヒューリスティックや仮定手法を用いることが多いため、データ利用効率とモデル精度を組み合わせた手法を探求することは困難である。 これらの問題に対処するために,Multiscale Mixed Attention (MMA)と呼ばれる新しいプラグイン・アンド・イン・ポイント・クラウド特徴表現ネットワークを提案する。 MMAは、近傍の隣接注意と異なる密度スケールにおける不均一注意を利用して特徴表現ネットワークを構築する。 MMAから得られるスマート特徴表現は、形状傾向とオブジェクト存在領域推定を有し、検出ボックスの領域を制約し、弱いラベルのデフォルト情報に起因する問題を緩和することができる。 室内の弱いラベルのシナリオでは、完全教師付きネットワークは、MMAによる点特徴の改善によってのみ弱教師付きネットワークに近い性能を発揮する。 同時に、MMAは廃棄物を宝にし、もともとデータ強化の源となる弱教師付き検出に干渉したラベルジッタ問題を逆転させ、既存の弱監督検出手法の性能を高める。 私たちのコードはhttps://github.com/hzx-9894/MMAで公開されています。

関連論文リスト

• A Low-cost Strategic Monitoring Approach for Scalable and Interpretable Error Detection in Deep Neural Networks [6.537257913467249]
  深層コンピュータビジョンネットワークのための高能率ランタイムモニタリング手法を提案する。 ハードウェアメモリと入力障害の両方から発生するサイレントデータの破損を効率よく検出することができる。
  論文  参考訳（メタデータ） (2023-10-31T10:45:55Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Weakly Supervised Semantic Segmentation for Large-Scale Point Cloud [69.36717778451667]
  大規模なポイントクラウドセマンティックセグメンテーションのための既存の方法は、高価な、退屈でエラーを起こしやすい手動のポイントワイドアノテーションを必要とする。 この問題を解決するために,2つのコンポーネントを含む効果的な弱教師付き手法を提案する。 実験結果から,既存の弱教師付き手法と完全教師付き手法を比較検討した。
  論文  参考訳（メタデータ） (2022-12-09T09:42:26Z)
• Label Propagation with Weak Supervision [47.52032178837098]
  古典的ラベル伝搬アルゴリズム(LPA)の新しい解析法について紹介する(Zhu & Ghahramani, 2002)。 基礎となるグラフの局所的幾何学的性質と先行情報の品質の両方を利用する誤差境界を提供する。 提案手法は,従来の半教師付き手法と弱教師付き手法を改良した,弱教師付き分類タスクに応用できることを実証する。
  論文  参考訳（メタデータ） (2022-10-07T14:53:02Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• Weakly-supervised Salient Instance Detection [65.0408760733005]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2020-09-29T09:47:23Z)

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。