論文の概要: Learning Camouflaged Object Detection from Noisy Pseudo Label

• arxiv url: http://arxiv.org/abs/2407.13157v1
• Date: Thu, 18 Jul 2024 04:53:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 16:51:58.142004
• Title: Learning Camouflaged Object Detection from Noisy Pseudo Label
• Title（参考訳）: ノイズのある擬似ラベルからカモフラージュされた物体検出を学習する
• Authors: Jin Zhang, Ruiheng Zhang, Yanjiao Shi, Zhe Cao, Nian Liu, Fahad Shahbaz Khan,
• Abstract要約: 本稿では,まず,弱い半教師付きカモフラージュオブジェクト検出(COD)法を提案する。 予算効率が高く高精度なカモフラージュされたオブジェクトセグメンテーションを目標とし、完全にラベル付けされた画像が極めて限られている。 本稿では,早期の学習段階において,モデルが正しい画素の学習を容易にするノイズ補正損失を提案する。 完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 60.9005578956798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing Camouflaged Object Detection (COD) methods rely heavily on large-scale pixel-annotated training sets, which are both time-consuming and labor-intensive. Although weakly supervised methods offer higher annotation efficiency, their performance is far behind due to the unclear visual demarcations between foreground and background in camouflaged images. In this paper, we explore the potential of using boxes as prompts in camouflaged scenes and introduce the first weakly semi-supervised COD method, aiming for budget-efficient and high-precision camouflaged object segmentation with an extremely limited number of fully labeled images. Critically, learning from such limited set inevitably generates pseudo labels with serious noisy pixels. To address this, we propose a noise correction loss that facilitates the model's learning of correct pixels in the early learning stage, and corrects the error risk gradients dominated by noisy pixels in the memorization stage, ultimately achieving accurate segmentation of camouflaged objects from noisy labels. When using only 20% of fully labeled data, our method shows superior performance over the state-of-the-art methods.
• Abstract（参考訳）: 既存のCamouflaged Object Detection (COD) 法は、時間と労力のかかる大規模なピクセルアノテートトレーニングセットに大きく依存している。 弱い教師付き手法は高いアノテーション効率を提供するが、その性能はカモフラージュ画像における前景と背景の間の不明瞭な視覚的境界のためにはるかに遅れている。 本稿では,カモフラージュシーンのプロンプトとしてボックスを使用することの可能性について検討し,予算効率と高精度なカモフラージュオブジェクトセグメンテーションを目的とした,第1の弱い半教師付きCOD法を提案する。 批判的に、そのような制限された集合から学ぶことは、必然的に真にノイズの多いピクセルを持つ擬似ラベルを生成する。 そこで我々は,初期学習段階において,モデルが正しい画素を学習しやすくするノイズ補正損失を提案し,暗記段階においてノイズの多い画素が支配する誤差リスク勾配を補正し,最終的にノイズの多いラベルからカモフラージュされたオブジェクトの正確なセグメンテーションを実現する。 完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。

関連論文リスト

• CamoTeacher: Dual-Rotation Consistency Learning for Semi-Supervised Camouflaged Object Detection [58.07124777351955]
  本稿では,Dual-Rotation Consistency Learning(DRCL)を利用した新しい半教師付きCODフレームワークであるCamoTeacherを紹介する。 DRCLは、画素レベルとインスタンスレベルの回転ビューの一貫性を活用することで、擬似ラベルノイズを最小化する。 私たちのコードはまもなく利用可能になります。
  論文  参考訳（メタデータ） (2024-08-15T09:33:43Z)
• Superpixel-guided Iterative Learning from Noisy Labels for Medical Image Segmentation [24.557755528031453]
  セグメンテーションネットワークの雑音認識学習とノイズラベル改善を組み合わせた,頑健な反復学習戦略を開発する。 2つのベンチマーク実験により,本手法は最近の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-21T14:27:36Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Distilling effective supervision for robust medical image segmentation with noisy labels [21.68138582276142]
  本稿では,画素レベルと画像レベルの両方から効果的な監視情報を抽出することにより,ノイズラベルによるセグメント化に対処する新しい枠組みを提案する。 特に,各画素の不確かさを画素単位の雑音推定として明確に推定する。 画素レベルの学習を補完する画像レベルの頑健な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T13:33:38Z)
• Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object Detection [66.10057490293981]
  半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。 本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2021-03-29T09:27:23Z)
• Towards Noise-resistant Object Detection with Noisy Annotations [119.63458519946691]
  ディープオブジェクト検出器の訓練には、正確なオブジェクトラベルとバウンディングボックス座標を持つ、相当量の人間の注釈画像が必要である。 ノイズの多いアノテーションはずっと簡単にアクセスできますが、学習には有害かもしれません。 ノイズにはラベルノイズとバウンディングボックスノイズが混在している。
  論文  参考訳（メタデータ） (2020-03-03T01:32:16Z)
• Learning Not to Learn in the Presence of Noisy Labels [104.7655376309784]
  ギャンブラーの損失と呼ばれる新しい種類の損失関数は、様々なレベルの汚職にまたがってノイズをラベル付けするのに強い堅牢性をもたらすことを示す。 この損失関数によるトレーニングは、ノイズのあるラベルを持つデータポイントでの学習を"維持"することをモデルに促すことを示す。
  論文  参考訳（メタデータ） (2020-02-16T09:12:27Z)

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。