論文の概要: Collaborative Static-Dynamic Teaching: A Semi-Supervised Framework for Stripe-Like Space Target Detection

• arxiv url: http://arxiv.org/abs/2408.05029v1
• Date: Fri, 9 Aug 2024 12:33:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 15:47:15.154955
• Title: Collaborative Static-Dynamic Teaching: A Semi-Supervised Framework for Stripe-Like Space Target Detection
• Title（参考訳）: 協調静的動的学習:Stripeライクな空間ターゲット検出のための半スーパービジョンフレームワーク
• Authors: Zijian Zhu, Ali Zia, Xuesong Li, Bingbing Dan, Yuebo Ma, Hongfeng Long, Kaili Lu, Enhai Liu, Rujin Zhao,
• Abstract要約: Stripeのような宇宙ターゲット検出は、宇宙の状況認識に不可欠である。 従来の教師なし手法は、低信号対雑音比と可変ストライプのような空間ターゲットシナリオで失敗することが多い。 我々は,静的および動的教師モデルと学生モデルを含む,革新的な協調静的動的教師(CSDT)SSLフレームワークを導入する。 また,マルチスケールデュアルパス畳み込み(MDPC)ブロックと特徴マップ重み付き注目(FMWA)ブロックを備えた新しいSSTDネットワークであるMSSA-Netを提案する。
• 参考スコア（独自算出の注目度）: 2.9133687889451023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stripe-like space target detection (SSTD) is crucial for space situational awareness. Traditional unsupervised methods often fail in low signal-to-noise ratio and variable stripe-like space targets scenarios, leading to weak generalization. Although fully supervised learning methods improve model generalization, they require extensive pixel-level labels for training. In the SSTD task, manually creating these labels is often inaccurate and labor-intensive. Semi-supervised learning (SSL) methods reduce the need for these labels and enhance model generalizability, but their performance is limited by pseudo-label quality. To address this, we introduce an innovative Collaborative Static-Dynamic Teacher (CSDT) SSL framework, which includes static and dynamic teacher models as well as a student model. This framework employs a customized adaptive pseudo-labeling (APL) strategy, transitioning from initial static teaching to adaptive collaborative teaching, guiding the student model's training. The exponential moving average (EMA) mechanism further enhances this process by feeding new stripe-like knowledge back to the dynamic teacher model through the student model, creating a positive feedback loop that continuously enhances the quality of pseudo-labels. Moreover, we present MSSA-Net, a novel SSTD network featuring a multi-scale dual-path convolution (MDPC) block and a feature map weighted attention (FMWA) block, designed to extract diverse stripe-like features within the CSDT SSL training framework. Extensive experiments verify the state-of-the-art performance of our framework on the AstroStripeSet and various ground-based and space-based real-world datasets.
• Abstract（参考訳）: Stripeライクな宇宙目標検出(SSTD)は、宇宙の状況認識に不可欠である。 従来の教師なしの手法は、低信号対雑音比と可変ストライプのような空間ターゲットのシナリオで失敗し、弱い一般化をもたらす。 完全に教師付き学習手法はモデルの一般化を改善するが、訓練には広範囲のピクセルレベルラベルが必要である。 SSTDタスクでは、これらのラベルを手作業で作成することは、しばしば不正確で労働集約的である。 半教師付き学習(SSL)法は、これらのラベルの必要性を減らし、モデルの一般化性を高めるが、それらの性能は擬似ラベルの品質によって制限される。 これを解決するために,静的および動的教師モデルと学生モデルを含む,革新的な協調静的動的教師(CSDT)SSLフレームワークを導入する。 このフレームワークは、APL(Adaptive pseudo-labeling)戦略をカスタマイズし、初期静的教育から適応的協調教育に移行し、学生モデルのトレーニングを指導する。 指数移動平均(EMA)メカニズムは、学生モデルを通して新しいストライプのような知識を動的教師モデルにフィードバックし、擬似ラベルの品質を継続的に向上させる正のフィードバックループを作成することにより、このプロセスをさらに強化する。 さらに,マルチスケールデュアルパス畳み込み (MDPC) ブロックと特徴マップ重み付け (FMWA) ブロックを備えた新しいSSTDネットワークであるMSSA-Netを提案する。 大規模な実験により、AstroStripeSetおよびさまざまな地上および宇宙ベースの実世界のデータセット上で、我々のフレームワークの最先端性能を検証する。

関連論文リスト

• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• SSTD: Stripe-Like Space Target Detection Using Single-Point Weak Supervision [3.1531267517553587]
  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。 SSTDのための先駆的なデータセットであるAstroStripeSetは、学術資源のギャップを埋め、SSTDの研究を進めることを目的としている。 本稿では,手動ラベリングの課題に対する新たな解決法として,一点弱監督機能を備えた新しい教師学生ラベル進化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-25T15:02:24Z)
• Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning [113.89327264634984]
  FSCIL(Few-shot class-incremental Learning)は、最小限のトレーニングサンプルを持つモデルに新しいクラスを統合するという課題に直面している。 従来の手法では、固定パラメータ空間に依存する静的適応を広く採用し、逐次到着するデータから学習する。 本稿では、動的適応のための中間特徴に基づいてプロジェクションパラメータを動的に調整する2つの選択型SSMプロジェクタを提案する。
  論文  参考訳（メタデータ） (2024-07-08T17:09:39Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• Hierarchical Supervision and Shuffle Data Augmentation for 3D Semi-Supervised Object Detection [90.32180043449263]
  最先端の3Dオブジェクト検出器は通常、高品質な3Dアノテーションを備えた大規模データセットで訓練される。 自然な治療法は、限られた量のラベル付きサンプルと豊富なラベル付きサンプルを活用することで、半教師付き学習(SSL)を採用することである。 本稿では,HSSDA(Hierarchical Supervision and Shuffle Data Augmentation)の新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2023-04-04T02:09:32Z)
• Confidence-Aware Paced-Curriculum Learning by Label Smoothing for Surgical Scene Understanding [33.62888947753327]
  我々は,一様ラベルスムースメント(ULS)を用いたペースドラーニング(P-CBLS)による分類タスクのラベルスムースメント(P-CBLS)と,一様ラベルスムースメント(SVLS)と空間変化ラベルスムースメント(SVLS)を用いたカリキュラムをカリキュラム的に設計する。 トレーニング開始時によりスムーズな値を設定し,モデル学習ユーティリティを下位から上位に制御するために,徐々にゼロに減らした。 提案手法は4つのロボット手術データセットで検証される。
  論文  参考訳（メタデータ） (2022-12-22T07:19:15Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• An EM Framework for Online Incremental Learning of Semantic Segmentation [37.94734474090863]
  本稿では,新しいクラスのみに画素アノテーションを付加したストリーミング入力データを用いて,大惨な忘れをせずに深いセグメンテーションモデルを適応できる漸進的な学習戦略を提案する。 PASCAL VOC 2012とADE20Kデータセットに対するアプローチを検証するとともに,既存のインクリメンタルメソッドよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-08T11:30:09Z)
• GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
  サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。 リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。 この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
  論文  参考訳（メタデータ） (2021-04-07T01:08:18Z)

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。