Fugu-MT 論文翻訳(概要): Tiny Object Detection with Single Point Supervision

論文の概要: Tiny Object Detection with Single Point Supervision

arxiv url: http://arxiv.org/abs/2412.05837v1
Date: Sun, 08 Dec 2024 07:13:17 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-10 14:55:08.847852
Title: Tiny Object Detection with Single Point Supervision
Title（参考訳）: 単一点スーパービジョンによる細い物体検出
Authors: Haoran Zhu, Chang Xu, Ruixiang Zhang, Fang Xu, Wen Yang, Haijian Zhang, Gui-Song Xia,
Abstract要約: 本稿では,航空画像におけるロバストな微小物体検出のためのポイント・インスツルメンテーション法を提案する。点アノテーションにおけるスケールの曖昧さと位置変化からラベルノイズを扱うために、ポイント・インストラクターは教師-学生アーキテクチャを採用している。この枠組みでは、画像領域のランダムマスキングにより回帰学習が促進され、教師はノイズの多い点アノテーションを粗い擬似ボックスに変換することができる。第2段階では、これらの粗い擬似ボックスは動的多重インスタンス学習を用いて洗練され、最も信頼できるインスタンスを適応的に選択する。
参考スコア（独自算出の注目度）: 48.88814240556747
License:
Abstract: Tiny objects, with their limited spatial resolution, often resemble point-like distributions. As a result, bounding box prediction using point-level supervision emerges as a natural and cost-effective alternative to traditional box-level supervision. However, the small scale and lack of distinctive features of tiny objects make point annotations prone to noise, posing significant hurdles for model robustness. To tackle these challenges, we propose Point Teacher--the first end-to-end point-supervised method for robust tiny object detection in aerial images. To handle label noise from scale ambiguity and location shifts in point annotations, Point Teacher employs the teacher-student architecture and decouples the learning into a two-phase denoising process. In this framework, the teacher network progressively denoises the pseudo boxes derived from noisy point annotations, guiding the student network's learning. Specifically, in the first phase, random masking of image regions facilitates regression learning, enabling the teacher to transform noisy point annotations into coarse pseudo boxes. In the second phase, these coarse pseudo boxes are refined using dynamic multiple instance learning, which adaptively selects the most reliable instance from dynamically constructed proposal bags around the coarse pseudo boxes. Extensive experiments on three tiny object datasets (i.e., AI-TOD-v2, SODA-A, and TinyPerson) validate the proposed method's effectiveness and robustness against point location shifts. Notably, relying solely on point supervision, our Point Teacher already shows comparable performance with box-supervised learning methods. Codes and models will be made publicly available.
Abstract（参考訳）: 細い物体は空間分解能が限られており、しばしば点のような分布に似ている。その結果、点レベルの監視を用いた境界ボックス予測が、従来のボックスレベルの監視に代わる自然的で費用対効果のある代替手段として出現する。しかし、小さなオブジェクトの小さなスケールと特徴の欠如は、ポイントアノテーションをノイズに陥れやすくし、モデルロバスト性にとって重要なハードルとなっている。これらの課題に対処するために,航空画像におけるロバストな微小物体検出のための最初のエンドツーエンドのポイント・ツー・エンド・ポイント・教師手法であるポイント・教師を提案する。点アノテーションにおけるスケールのあいまいさと位置シフトからラベルノイズを扱うために、ポイント教師は教師と学生のアーキテクチャを採用し、学習を2段階のデノナイジングプロセスに分離する。この枠組みでは、教師ネットワークは、ノイズポイントアノテーションから派生した疑似ボックスを段階的に識別し、学生ネットワークの学習を導く。特に第1段階では、画像領域のランダムマスキングにより回帰学習が促進され、教師はノイズの多い点アノテーションを粗い擬似ボックスに変換することができる。第2フェーズでは、これらの粗い擬似箱を動的多重インスタンス学習を用いて洗練し、粗い擬似箱の周りに動的に構築された提案バッグから最も信頼性の高いインスタンスを適応的に選択する。 3つの小さなオブジェクトデータセット(AI-TOD-v2、SODA-A、TinyPerson)に対する大規模な実験は、提案手法の有効性と点位置シフトに対する堅牢性を検証する。特に、ポイントインスペクションのみに頼って、私たちのポイントインストラクターは、ボックス教師付き学習手法と同等のパフォーマンスをすでに示しています。コードとモデルは公開されます。

関連論文リスト

Exploiting Unlabeled Data with Multiple Expert Teachers for Open Vocabulary Aerial Object Detection and Its Orientation Adaptation [58.37525311718006]
OVAD(Open-vocabulary Aero Object Detection)という,航空物体検出問題の新しい定式化を行った。本稿では,CLIP-activated students-Teacher DetectionフレームワークであるCastDetを提案する。本フレームワークは,ロバストなローカライズ教師といくつかのボックス選択戦略を統合し,新しいオブジェクトの高品質な提案を生成する。
論文参考訳（メタデータ） (2024-11-04T12:59:13Z)
Just a Hint: Point-Supervised Camouflaged Object Detection [4.38858748263547]
カモフラージュされたオブジェクト検出(COD)は、環境内でシームレスにオブジェクトを迅速かつ正確に識別するモデルを要求する。我々は,この課題を一点監督の助けを借りて遂行することを提案する。具体的には、各オブジェクトを素早くクリックすることで、最初に元のポイントベースのアノテーションを合理的なヒント領域に適応的に拡張する。そこで本研究では,物体全体に注意を散布するアテンションレギュレータを提案する。
論文参考訳（メタデータ） (2024-08-20T12:17:25Z)
Extreme Point Supervised Instance Segmentation [28.191795758445352]
本稿では,各オブジェクトの極端点,左極端点,最下極点,右極端点を用いて,インスタンスセグメンテーションを学習するための新しいアプローチを提案する。これらの点は、正確なセグメンテーションのための強力な手がかりを提供しながら、現代のバウンディングボックスアノテーションプロセスで容易に利用可能である。本モデルでは,対象物を複数の部品に分けた場合に高品質なマスクを生成する。
論文参考訳（メタデータ） (2024-05-31T09:37:39Z)
Semi-supervised 3D Object Detection with Proficient Teachers [114.54835359657707]
自律運転のシナリオにおけるクラウドベースの3Dオブジェクト検出器の優位性は、大量の正確なラベル付きサンプルに大きく依存している。 Pseudo-Labeling法はSSLフレームワークで一般的に使用されているが、教師モデルの低品質な予測は、その性能を著しく制限している。そこで本研究では,教師モデルをさらに高度化することで,半教師付き3次元物体検出のためのPseudo-Labelingフレームワークを提案する。
論文参考訳（メタデータ） (2022-07-26T04:54:03Z)
Point-Teaching: Weakly Semi-Supervised Object Detection with Point Annotations [81.02347863372364]
本稿では,弱い半教師付きオブジェクト検出フレームワークであるPoint-Teachingを提案する。具体的には,ポイントアノテート画像の擬似ラベルを生成するためのハンガリーの点マッチング手法を提案する。そこで本研究では,不整合点の影響を低減するため,単純なyet- effective data augmentation(ポイント誘導コピーペースト)を提案する。
論文参考訳（メタデータ） (2022-06-01T07:04:38Z)
From Keypoints to Object Landmarks via Self-Training Correspondence: A novel approach to Unsupervised Landmark Discovery [37.78933209094847]
本稿ではオブジェクトランドマーク検出器の教師なし学習のための新しいパラダイムを提案する。我々はLS3D、BBCPose、Human3.6M、PennActionなどの難解なデータセットに対して本手法の有効性を検証した。
論文参考訳（メタデータ） (2022-05-31T15:44:29Z)
Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level Supervision [65.19589997822155]
我々は3Dポイントクラウドのポイントレベルのセマンティクスをバウンディングボックスレベルの監視で学習するために,Box2Segと呼ばれるニューラルアーキテクチャを導入する。提案するネットワークは,安価な,あるいは既定のバウンディングボックスレベルのアノテーションやサブクラウドレベルのタグでトレーニング可能であることを示す。
論文参考訳（メタデータ） (2022-01-09T09:07:48Z)
SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
論文参考訳（メタデータ） (2022-01-06T08:54:47Z)

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。