論文の概要: CoDTS: Enhancing Sparsely Supervised Collaborative Perception with a Dual Teacher-Student Framework

• arxiv url: http://arxiv.org/abs/2412.08344v1
• Date: Wed, 11 Dec 2024 12:34:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:02:19.993119
• Title: CoDTS: Enhancing Sparsely Supervised Collaborative Perception with a Dual Teacher-Student Framework
• Title（参考訳）: CoDTS: 教師と学生の2つのフレームワークによる、わずかに監督された協調認識の強化
• Authors: Yushan Han, Hui Zhang, Honglei Zhang, Jing Wang, Yidong Li,
• Abstract要約: 我々は,CoDTS(Dual Teacher-Student framework)のエンドツーエンド協調認識を提案する。 適応的な補完学習を用いて、高品質な擬似ラベルと高品質な擬似ラベルの両方を生成する。 CoDTSは、品質と量の両方において、擬似ラベルの最適バランスを効果的に保証する。
• 参考スコア（独自算出の注目度）: 15.538850922083652
• License:
• Abstract: Current collaborative perception methods often rely on fully annotated datasets, which can be expensive to obtain in practical situations. To reduce annotation costs, some works adopt sparsely supervised learning techniques and generate pseudo labels for the missing instances. However, these methods fail to achieve an optimal confidence threshold that harmonizes the quality and quantity of pseudo labels. To address this issue, we propose an end-to-end Collaborative perception Dual Teacher-Student framework (CoDTS), which employs adaptive complementary learning to produce both high-quality and high-quantity pseudo labels. Specifically, the Main Foreground Mining (MFM) module generates high-quality pseudo labels based on the prediction of the static teacher. Subsequently, the Supplement Foreground Mining (SFM) module ensures a balance between the quality and quantity of pseudo labels by adaptively identifying missing instances based on the prediction of the dynamic teacher. Additionally, the Neighbor Anchor Sampling (NAS) module is incorporated to enhance the representation of pseudo labels. To promote the adaptive complementary learning, we implement a staged training strategy that trains the student and dynamic teacher in a mutually beneficial manner. Extensive experiments demonstrate that the CoDTS effectively ensures an optimal balance of pseudo labels in both quality and quantity, establishing a new state-of-the-art in sparsely supervised collaborative perception.
• Abstract（参考訳）: 現在のコラボレーティブな認識法は、しばしば完全に注釈付けされたデータセットに依存しており、実際的な状況で入手するのにコストがかかる。 アノテーションのコストを削減するため、少量の教師付き学習技術を採用し、欠落したインスタンスの擬似ラベルを生成する研究もある。 しかし、これらの手法は、擬似ラベルの品質と量とを調和させる最適な信頼しきい値を達成することができない。 この問題に対処するために,適応的な補完学習を用いて高品質な擬似ラベルと高品質な擬似ラベルを生成する,エンドツーエンドの協調的認識(Dual Teacher-Student framework, CoDTS)を提案する。 具体的には,MFM(Main Foreground Mining)モジュールは,静的教師の予測に基づいて高品質な擬似ラベルを生成する。 その後、サプリメントフォアグラウンドマイニング(SFM)モジュールは、動的教師の予測に基づいて、欠落したインスタンスを適応的に識別することにより、擬似ラベルの品質と量とのバランスを確保する。 さらに、近隣アンカーサンプリング(NAS)モジュールは擬似ラベルの表現を強化するために組み込まれている。 適応的な補完学習を促進するために,学生と動的教師を相互に有益に訓練する段階的な学習戦略を実装した。 大規模な実験により、CoDTSは、品質と量の両方において、擬似ラベルの最適なバランスを効果的に保証し、疎密な協調知覚において新しい最先端の技術を確立できることが示されている。

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)
• Collaborative Static-Dynamic Teaching: A Semi-Supervised Framework for Stripe-Like Space Target Detection [2.9133687889451023]
  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。
  論文  参考訳（メタデータ） (2024-08-09T12:33:27Z)
• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Improving the Robustness of Distantly-Supervised Named Entity Recognition via Uncertainty-Aware Teacher Learning and Student-Student Collaborative Learning [24.733773208117363]
  自己学習段階における偽ラベルの誤りを減らすために,不確かさを意識した教師学習を提案する。 また、2つの学生ネットワーク間で信頼性の高いラベルを転送できる学生・学生協調学習を提案する。 提案手法を5つのDS-NERデータセット上で評価し,提案手法が最先端のDS-NER手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-14T09:09:58Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• Label Matching Semi-Supervised Object Detection [85.99282969977541]
  半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。 本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-14T05:59:41Z)
• PseCo: Pseudo Labeling and Consistency Training for Semi-Supervised Object Detection [42.75316070378037]
  予測誘導ラベル割り当て(PLA)と正の確率整合投票(PCV)を含むNPL(Noisy Pseudo box Learning)を提案する。 ベンチマークでは PSEudo labeling と Consistency training (PseCo) が SOTA (Soft Teacher) の2.0, 1.8, 2.0 を1%, 5%, 10% で上回っている。
  論文  参考訳（メタデータ） (2022-03-30T13:59:22Z)
• Graph Consistency based Mean-Teaching for Unsupervised Domain Adaptive Person Re-Identification [54.58165777717885]
  本論文では,教師ネットワークと学生ネットワークの間にGCC(Graph Consistency Constraint)を構築するためのGCMT(Graph Consistency Based Mean-Teaching)手法を提案する。 マーケット-1501、デュークMTMCreID、MSMT17の3つのデータセットの実験により、提案されたGCMTは最先端の手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2021-05-11T04:09:49Z)
• Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
  SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。 学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T17:02:57Z)
• Teacher-Student Asynchronous Learning with Multi-Source Consistency for Facial Landmark Detection [15.796415030063802]
  マルチソース監視信号整合性基準に基づくTSAL(Teacher-student asynchronous learning)フレームワークを提案する。 300W、AFLW、300VWのベンチマークでの実験では、TSALフレームワークが最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-12-12T03:23:30Z)

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。