論文の概要: Co-Learning: Towards Semi-Supervised Object Detection with Road-side Cameras

• arxiv url: http://arxiv.org/abs/2411.19143v1
• Date: Thu, 28 Nov 2024 13:42:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:20:08.658309
• Title: Co-Learning: Towards Semi-Supervised Object Detection with Road-side Cameras
• Title（参考訳）: 共同学習:道路カメラによる半監督対象検出を目指して
• Authors: Jicheng Yuan, Anh Le-Tuan, Ali Ganbarov, Manfred Hauswirth, Danh Le-Phuoc,
• Abstract要約: 半教師付き学習(SSL)はラベル付きおよびラベルなしのデータを使用してオブジェクト検出器を訓練することができる。 SSLは、擬似ターゲットの不整合、分類と回帰タスクの不整合、豊富なラベルなしデータの効率的な使用など、いくつかの課題に直面している。 我々は,相互学習とアノテーションアライメント戦略を用いて,これらの複雑さを効果的にナビゲートする教師学生ベースのSSLフレームワークであるCo-Learningを開発した。
• 参考スコア（独自算出の注目度）: 1.5495593104596401
• License:
• Abstract: Recently, deep learning has experienced rapid expansion, contributing significantly to the progress of supervised learning methodologies. However, acquiring labeled data in real-world settings can be costly, labor-intensive, and sometimes scarce. This challenge inhibits the extensive use of neural networks for practical tasks due to the impractical nature of labeling vast datasets for every individual application. To tackle this, semi-supervised learning (SSL) offers a promising solution by using both labeled and unlabeled data to train object detectors, potentially enhancing detection efficacy and reducing annotation costs. Nevertheless, SSL faces several challenges, including pseudo-target inconsistencies, disharmony between classification and regression tasks, and efficient use of abundant unlabeled data, especially on edge devices, such as roadside cameras. Thus, we developed a teacher-student-based SSL framework, Co-Learning, which employs mutual learning and annotation-alignment strategies to adeptly navigate these complexities and achieves comparable performance as fully-supervised solutions using 10\% labeled data.
• Abstract（参考訳）: 近年、深層学習は急速に拡大し、教師あり学習方法論の進歩に大きく寄与している。 しかし、ラベル付きデータを現実世界で取得することは、コストがかかり、労力がかかり、時には不足することがある。 この課題は、個々のアプリケーションに対して巨大なデータセットをラベル付けする非現実的な性質のため、ニューラルネットワークを実用的なタスクに広範囲に使用することを妨げる。 これを解決するために、半教師付き学習(SSL)は、ラベル付きデータとラベルなしデータの両方を使用してオブジェクト検出器を訓練し、検出効率を向上し、アノテーションコストを低減し、有望なソリューションを提供する。 それでもSSLは、疑似ターゲットの不整合、分類と回帰タスクの不整合、豊富なラベルのないデータ、特に道路脇のカメラのようなエッジデバイスでの効率的な使用など、いくつかの課題に直面している。 そこで,教師によるSSLフレームワークであるCo-Learningを開発した。このフレームワークは,相互学習とアノテーションアライメントの戦略を用いて,これらの複雑さを効果的にナビゲートし,ラベル付きデータ10\%を用いて,教師付きソリューションとして同等のパフォーマンスを実現する。

関連論文リスト

• Multi-Label Contrastive Learning : A Comprehensive Study [48.81069245141415]
  マルチラベルの分類は、研究と産業の両方において重要な領域として現れてきた。 対照的な学習をマルチラベル分類に適用することは、ユニークな課題である。 多様な環境における多ラベル分類のためのコントラスト学習損失の詳細な研究を行う。
  論文  参考訳（メタデータ） (2024-11-27T20:20:06Z)
• Context-Aware Predictive Coding: A Representation Learning Framework for WiFi Sensing [0.0]
  WiFiセンサーは、様々なセンサーアプリケーションに無線信号を利用する新興技術である。 本稿では,CAPC(Context-Aware Predictive Coding)と呼ばれる新しいSSLフレームワークを紹介する。 CAPCは問題のないデータから効果的に学習し、多様な環境に適応する。 評価の結果、CAPCは他のSSLメソッドや教師付きアプローチよりも優れているだけでなく、優れた一般化能力も達成できることがわかった。
  論文  参考訳（メタデータ） (2024-09-16T17:59:49Z)
• Semi-Supervised Object Detection: A Survey on Progress from CNN to Transformer [12.042768320132694]
  本稿では,物体検出のための半教師付き学習における27の最先端開発について概説する。 データ拡張テクニック、擬似ラベル戦略、一貫性の正則化、敵の訓練方法などをカバーする。 我々は,既存の課題を克服し,物体検出のための半教師あり学習における新たな方向性を探るため,さらなる研究の関心を喚起することを目的としている。
  論文  参考訳（メタデータ） (2024-07-11T12:58:13Z)
• FlexSSL : A Generic and Efficient Framework for Semi-Supervised Learning [19.774959310191623]
  我々はFlexSSLと呼ばれる汎用的で効率的な学習フレームワークを開発した。 我々はFlexSSLが半教師付き学習アルゴリズムの性能を継続的に向上できることを示す。
  論文  参考訳（メタデータ） (2023-12-28T08:31:56Z)
• Does Decentralized Learning with Non-IID Unlabeled Data Benefit from Self Supervision? [51.00034621304361]
  自己教師型学習(SSL)のレンズによるラベルなしデータによる分散学習の研究 本研究では,分散学習環境下でのコントラスト学習アルゴリズムの有効性について検討する。
  論文  参考訳（メタデータ） (2022-10-20T01:32:41Z)
• Evaluating the Label Efficiency of Contrastive Self-Supervised Learning for Multi-Resolution Satellite Imagery [0.0]
  遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。 本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
  論文  参考訳（メタデータ） (2022-10-13T06:54:13Z)
• Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of Semi-Supervised Learning and Active Learning [60.26659373318915]
  アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。 本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。 2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
  論文  参考訳（メタデータ） (2022-06-07T13:28:43Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
  連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。 我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
  論文  参考訳（メタデータ） (2021-01-02T09:04:14Z)
• Adversarial Self-Supervised Learning for Semi-Supervised 3D Action Recognition [123.62183172631443]
  本稿では,SSLと半教師付きスキームを緊密に結合する新しいフレームワークであるAdversarial Self-Supervised Learning (ASSL)を紹介する。 具体的には,3次元動作認識のための学習表現の識別能力を向上させる効果的なSSL方式を設計する。
  論文  参考訳（メタデータ） (2020-07-12T08:01:06Z)

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。