論文の概要: SSTD: Stripe-Like Space Target Detection using Single-Point Supervision

• arxiv url: http://arxiv.org/abs/2407.18097v1
• Date: Thu, 25 Jul 2024 15:02:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 13:39:06.793647
• Title: SSTD: Stripe-Like Space Target Detection using Single-Point Supervision
• Title（参考訳）: SSTD:シングルポイントスーパービジョンを用いたStripeライクな空間ターゲット検出
• Authors: Zijian Zhu, Ali Zia, Xuesong Li, Bingbing Dan, Yuebo Ma, Enhai Liu, Rujin Zhao,
• Abstract要約: Stripeライクな宇宙目標検出(SSTD)は、宇宙状況の認識を高め、宇宙船の挙動を評価する上で重要な役割を果たしている。 この領域は、公開データセットの欠如、成層圏の光や星からの干渉、ストライプのような標的の多様性の3つの課題に直面している。 本稿では,SSTDのための先駆的データセットであるAstroSetを紹介し,学術資源のギャップを埋めることと,SSTDにおける研究の進展を目指す。 そこで本研究では,単一視点で教師を指導する手法を提案する。
• 参考スコア（独自算出の注目度）: 3.1531267517553587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stripe-like space target detection (SSTD) plays a key role in enhancing space situational awareness and assessing spacecraft behaviour. This domain faces three challenges: the lack of publicly available datasets, interference from stray light and stars, and the variability of stripe-like targets, which complicates pixel-level annotation. In response, we introduces `AstroStripeSet', a pioneering dataset designed for SSTD, aiming to bridge the gap in academic resources and advance research in SSTD. Furthermore, we propose a novel pseudo-label evolution teacher-student framework with single-point supervision. This framework starts with generating initial pseudo-labels using the zero-shot capabilities of the Segment Anything Model (SAM) in a single-point setting, and refines these labels iteratively. In our framework, the fine-tuned StripeSAM serves as the teacher and the newly developed StripeNet as the student, consistently improving segmentation performance by improving the quality of pseudo-labels. We also introduce `GeoDice', a new loss function customized for the linear characteristics of stripe-like targets. Extensive experiments show that the performance of our approach matches fully supervised methods on all evaluation metrics, establishing a new state-of-the-art (SOTA) benchmark. Our dataset and code will be made publicly available.
• Abstract（参考訳）: Stripeライクな宇宙目標検出(SSTD)は、宇宙状況の認識を高め、宇宙船の挙動を評価する上で重要な役割を果たしている。 このドメインは、公開データセットの欠如、光や星からの干渉、およびピクセルレベルのアノテーションを複雑にするストライプのようなターゲットの多様性の3つの課題に直面している。 そこで我々は,SSTDのための先駆的データセットである ‘AstroStripeSet’ を紹介し,学術資源のギャップを埋めることと,SSTDにおける研究を前進させることを目的としている。 さらに,シングルポイント・インスペクティブを用いた疑似ラベル進化型教師学習フレームワークを提案する。 このフレームワークは、Segment Anything Model(SAM)のゼロショット機能を使って、単一ポイント設定で初期擬似ラベルを生成し、これらのラベルを反復的に洗練することから始まる。 本フレームワークでは,教員として,新たに開発したStripeNetを学生として利用し,擬似ラベルの品質向上によりセグメンテーション性能を継続的に向上する。 また、ストライプライクなターゲットの線形特性に合わせてカスタマイズされた新しい損失関数である「GeoDice」も導入する。 大規模な実験により,提案手法の性能はすべての評価指標で完全に教師付き手法と一致し,新たなSOTA(State-of-the-art)ベンチマークが確立された。 データセットとコードは公開されます。

関連論文リスト

• ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
  前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。 このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。 本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T16:33:31Z)
• SS-ADA: A Semi-Supervised Active Domain Adaptation Framework for Semantic Segmentation [25.929173344653158]
  セマンティックセグメンテーションのための半教師付きアクティブドメイン適応(SS-ADA)フレームワークを提案する。 SS-ADAは、アクティブラーニングを半教師付きセマンティックセグメンテーションに統合し、教師付き学習の精度を達成する。 本研究では,合成ドメイン適応設定と実ドメイン適応設定について広範な実験を行った。
  論文  参考訳（メタデータ） (2024-06-17T13:40:42Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Active Learning for Point Cloud Semantic Segmentation via Spatial-Structural Diversity Reasoning [38.756609521163604]
  本稿では,この問題に対処するための新しい能動的学習手法を提案する。 SSDR-ALと呼ばれる本手法では,従来の点群をスーパーポイントに分類し,ラベル取得において最も情報に富む代表的点を選択する。 より実践的なシナリオでSSDR-ALをデプロイするために、ノイズを意識した反復ラベル方式を設計し、"ノイズの多いアノテーション"問題に対処する。
  論文  参考訳（メタデータ） (2022-02-25T10:06:47Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

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。