論文の概要: From Easy to Hard: Progressive Active Learning Framework for Infrared Small Target Detection with Single Point Supervision

• arxiv url: http://arxiv.org/abs/2412.11154v1
• Date: Sun, 15 Dec 2024 11:08:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:57:27.180119
• Title: From Easy to Hard: Progressive Active Learning Framework for Infrared Small Target Detection with Single Point Supervision
• Title（参考訳）: 難易度から難易度まで:単一点スーパービジョンによる赤外小ターゲット検出のためのプログレッシブアクティブラーニングフレームワーク
• Authors: Chuang Yu, Jinmiao Zhao, Yunpeng Liu, Sicheng Zhao, Xiangyu Yue,
• Abstract要約: 単一点監視による単一フレーム赤外小目標(SIRST)検出は広く注目されている。 環境に適応する生物にインスパイアされた,プログレッシブアクティブラーニング(PAL)フレームワークを構築した。 私たちのPALフレームワークは、全監督タスクとポイント監視タスクの間に、効率的で安定したブリッジを構築することができます。
• 参考スコア（独自算出の注目度）: 19.661685949606543
• License:
• Abstract: Recently, single-frame infrared small target (SIRST) detection with single point supervision has drawn wide-spread attention. However, the latest label evolution with single point supervision (LESPS) framework suffers from instability, excessive label evolution, and difficulty in exerting embedded network performance. Therefore, we construct a Progressive Active Learning (PAL) framework. Specifically, inspired by organisms gradually adapting to their environment and continuously accumulating knowledge, we propose an innovative progressive active learning idea, which emphasizes that the network progressively and actively recognizes and learns more hard samples to achieve continuous performance enhancement. Based on this, on the one hand, we propose a model pre-start concept, which focuses on selecting a portion of easy samples and can help models have basic task-specific learning capabilities. On the other hand, we propose a refined dual-update strategy, which can promote reasonable learning of harder samples and continuous refinement of pseudo-labels. In addition, to alleviate the risk of excessive label evolution, a decay factor is reasonably introduced, which helps to achieve a dynamic balance between the expansion and contraction of target annotations. Extensive experiments show that convolutional neural networks (CNNs) equipped with our PAL framework have achieved state-of-the-art (SOTA) results on multiple public datasets. Furthermore, our PAL framework can build a efficient and stable bridge between full supervision and point supervision tasks. Our code are available at https://github.com/YuChuang1205/PAL.
• Abstract（参考訳）: 近年,単一点監視による単一フレーム赤外小目標(SIRST)検出が広範に注目されている。 しかし、単一点監視(LESPS)フレームワークによる最新のラベルの進化は、不安定性、過剰なラベルの進化、組込みネットワークの性能向上の難しさに悩まされている。 そこで我々は,プログレッシブアクティブラーニング(PAL)フレームワークを構築した。 具体的には, 環境に徐々に適応し, 継続的に知識を蓄積する生物に触発され, ネットワークは, より高度に認識し, 継続的な性能向上を実現するために, より硬いサンプルを学習することを強調する, 革新的能動的学習のアイデアを提案する。 これに基づいて、簡単なサンプルの一部を選択することに焦点を当てたモデル事前開始概念を提案し、基本的なタスク固有の学習能力を持つモデルを支援する。 一方,より厳密なサンプルの適切な学習と擬似ラベルの継続的な改良を促進できる改良された二重更新戦略を提案する。 さらに、ラベルの過剰な進化のリスクを軽減するために、崩壊係数が合理的に導入され、ターゲットアノテーションの拡張と収縮の間の動的バランスを達成するのに役立ちます。 大規模な実験により、我々のPALフレームワークを備えた畳み込みニューラルネットワーク(CNN)が、複数の公開データセットに対して最先端(SOTA)の結果を得たことが示されている。 さらに、当社のPALフレームワークは、全監督タスクとポイント監視タスクの間に、効率的で安定したブリッジを構築することができる。 私たちのコードはhttps://github.com/YuChuang1205/PAL.comで公開されています。

関連論文リスト

• CODE-CL: COnceptor-Based Gradient Projection for DEep Continual Learning [7.573297026523597]
  我々は,Deep Continual Learning (CODE-CL) のためのConceptor-based gradient projectionを導入する。 CODE-CLは、過去のタスクの入力空間における方向的重要性を符号化し、新しい知識統合を1-S$で変調する。 概念に基づく表現を用いてタスク重複を分析し,高い相関性を持つタスクを同定する。
  論文  参考訳（メタデータ） (2024-11-21T22:31:06Z)
• ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
  前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。 このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。 本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T16:33:31Z)
• Unsupervised Spatial-Temporal Feature Enrichment and Fidelity Preservation Network for Skeleton based Action Recognition [20.07820929037547]
  非教師なし骨格に基づく行動認識は近年顕著な進歩を遂げている。 既存の教師なし学習手法は、過度なオーバーフィッティング問題に悩まされる。 本稿では,高機能化を実現するために,非教師付き時空間特徴強調・忠実度保存フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-25T09:24:07Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Unsupervised Meta-Learning via Few-shot Pseudo-supervised Contrastive Learning [72.3506897990639]
  本稿では,Pseudo-supervised Contrast (PsCo) という,シンプルだが効果的なメタ学習フレームワークを提案する。 PsCoは、さまざまなドメイン内およびクロスドメインのいくつかのショット分類ベンチマークの下で、既存の教師なしメタラーニングメソッドより優れています。
  論文  参考訳（メタデータ） (2023-03-02T06:10:13Z)
• Learning Transferable Adversarial Robust Representations via Multi-view Consistency [57.73073964318167]
  デュアルエンコーダを用いたメタ逆多視点表現学習フレームワークを提案する。 未確認領域からの少数ショット学習タスクにおけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2022-10-19T11:48:01Z)
• A Weakly Supervised Learning Framework for Salient Object Detection via Hybrid Labels [96.56299163691979]
  本稿では,ハイブリッドラベル下でのSODタスクに焦点をあてる。 このタスクにおけるラベルノイズと量不均衡の問題に対処するため、我々は3つの洗練されたトレーニング戦略を持つ新しいパイプラインフレームワークを設計する。 5つのSODベンチマーク実験により,本手法は弱教師付き/非教師付き手法と競合する性能を示した。
  論文  参考訳（メタデータ） (2022-09-07T06:45:39Z)
• 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)

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。