論文の概要: Anno-incomplete Multi-dataset Detection

• arxiv url: http://arxiv.org/abs/2408.16247v1
• Date: Thu, 29 Aug 2024 03:58:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-30 15:05:40.502683
• Title: Anno-incomplete Multi-dataset Detection
• Title（参考訳）: Anno-incomplete Multi-dataset Detection
• Authors: Yiran Xu, Haoxiang Zhong, Kai Wu, Jialin Li, Yong Liu, Chengjie Wang, Shu-Tao Xia, Hongen Liao,
• Abstract要約: 我々は「不完全なマルチデータセット検出」という新しい問題を提案する。 複数の注釈付きデータセットで全ての対象カテゴリを正確に検出できるエンドツーエンドのマルチタスク学習アーキテクチャを開発した。
• 参考スコア（独自算出の注目度）: 67.69438032767613
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Object detectors have shown outstanding performance on various public datasets. However, annotating a new dataset for a new task is usually unavoidable in real, since 1) a single existing dataset usually does not contain all object categories needed; 2) using multiple datasets usually suffers from annotation incompletion and heterogeneous features. We propose a novel problem as "Annotation-incomplete Multi-dataset Detection", and develop an end-to-end multi-task learning architecture which can accurately detect all the object categories with multiple partially annotated datasets. Specifically, we propose an attention feature extractor which helps to mine the relations among different datasets. Besides, a knowledge amalgamation training strategy is incorporated to accommodate heterogeneous features from different sources. Extensive experiments on different object detection datasets demonstrate the effectiveness of our methods and an improvement of 2.17%, 2.10% in mAP can be achieved on COCO and VOC respectively.
• Abstract（参考訳）: オブジェクト検出器は、様々な公開データセットで顕著なパフォーマンスを示している。 しかし、新しいタスクに新しいデータセットをアノテートすることは、実際には避けられない。 1) 1つの既存のデータセットは通常、必要なすべてのオブジェクトカテゴリを含まない。 2) 複数のデータセットを使用する場合,アノテーションの不補完や異種機能に悩まされることが多い。 本稿では,「アノテーション不完全なマルチデータセット検出」という新たな問題を提案し,複数の部分アノテーション付きデータセットを用いて,すべてのオブジェクトカテゴリを正確に検出できるエンドツーエンドのマルチタスク学習アーキテクチャを提案する。 具体的には,異なるデータセット間の関係を抽出するアテンション特徴抽出器を提案する。 さらに、異なるソースからの不均一な特徴に対応するために、知識の融合訓練戦略が組み込まれている。 オブジェクト検出データセットの大規模な実験により,COCOとVOCでそれぞれ2.17%,2.10%の改善が達成された。

関連論文リスト

• Data exploitation: multi-task learning of object detection and semantic segmentation on partially annotated data [4.9914667450658925]
  本稿では,物体検出とセマンティックセグメンテーションの併用学習について検討する。 本稿では,共同タスク最適化の活用を目的とした知識蒸留手法を提案する。
  論文  参考訳（メタデータ） (2023-11-07T14:49:54Z)
• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• Detection Hub: Unifying Object Detection Datasets via Query Adaptation on Language Embedding [137.3719377780593]
  新しいデザイン(De Detection Hubという名前)は、データセット認識とカテゴリ整列である。 データセットの不整合を緩和し、検出器が複数のデータセットをまたいで学習するための一貫性のあるガイダンスを提供する。 データセット間のカテゴリは、ワンホットなカテゴリ表現を単語埋め込みに置き換えることで、意味的に統一された空間に整列される。
  論文  参考訳（メタデータ） (2022-06-07T17:59:44Z)
• Addressing Multiple Salient Object Detection via Dual-Space Long-Range Dependencies [3.8824028205733017]
  正常なオブジェクト検出は多くの下流タスクで重要な役割を果たす。 空間空間とチャネル空間の両方に非局所的特徴情報を組み込んだネットワークアーキテクチャを提案する。 複雑なシナリオであっても,本手法は複数の有能な領域を正確に特定できることを示す。
  論文  参考訳（メタデータ） (2021-11-04T23:16:53Z)
• Simple multi-dataset detection [83.9604523643406]
  複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。 データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。 私たちのアプローチは手動の分類学の調整を必要としません。
  論文  参考訳（メタデータ） (2021-02-25T18:55:58Z)
• DAIL: Dataset-Aware and Invariant Learning for Face Recognition [67.4903809903022]
  顔認識の性能向上のためには、通常大規模なトレーニングデータセットが必要である。 2つの大きな問題のために異なるデータセットを自然に組み合わせるのは問題で面倒です。 トレーニング中に異なるデータセットの異なるクラスと同じ人を扱うことは、バックプロパゲーションに影響します。 手動でラベルをクリーニングするには 人的努力が要る 特に何百万もの画像と何千ものIDがある時は
  論文  参考訳（メタデータ） (2021-01-14T01:59:52Z)
• Object Detection with a Unified Label Space from Multiple Datasets [94.33205773893151]
  異なるラベル空間を持つ複数のデータセットが与えられた場合、この研究の目標は、すべてのラベル空間の結合について予測する単一のオブジェクト検出器をトレーニングすることである。 あるデータセットにアノテートされているが、別のデータセットにアノテートされていない顔のようなオブジェクトカテゴリを考えてみましょう。 顔のようないくつかのカテゴリは、あるデータセットでは前景と見なされるが、別のデータセットでは背景と見なされる。 本稿では,部分的だが正しいアノテーションを補完的だがノイズの多い擬似ラベルと注意深く統合する損失関数を提案する。
  論文  参考訳（メタデータ） (2020-08-15T00:51:27Z)

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。