論文の概要: Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection

• arxiv url: http://arxiv.org/abs/2503.18903v1
• Date: Mon, 24 Mar 2025 17:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:37:47.045282
• Title: Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection
• Title（参考訳）: ロバストで効果的な半スーパービジョン実世界の物体検出のためのブロックの構築
• Authors: Moussa Kassem Sbeyti, Nadja Klein, Azarm Nowzad, Fikret Sivrikaya, Sahin Albayrak,
• Abstract要約: 擬似ラベルに基づく半教師付きオブジェクト検出(SSOD)は、大規模ラベル付きデータセットへの依存を著しく低減する。 しかし、SSODの現実世界の応用は、クラス不均衡、ラベルノイズ、ラベルエラーなど、しばしば重大な課題に直面している。 実世界の条件下でのSSODの詳細な分析を行い, ラベルの品質と量とのトレードオフと, 準最適擬似ラベル化の原因を明らかにする。
• 参考スコア（独自算出の注目度）: 1.188383832081829
• License:
• Abstract: Semi-supervised object detection (SSOD) based on pseudo-labeling significantly reduces dependence on large labeled datasets by effectively leveraging both labeled and unlabeled data. However, real-world applications of SSOD often face critical challenges, including class imbalance, label noise, and labeling errors. We present an in-depth analysis of SSOD under real-world conditions, uncovering causes of suboptimal pseudo-labeling and key trade-offs between label quality and quantity. Based on our findings, we propose four building blocks that can be seamlessly integrated into an SSOD framework. Rare Class Collage (RCC): a data augmentation method that enhances the representation of rare classes by creating collages of rare objects. Rare Class Focus (RCF): a stratified batch sampling strategy that ensures a more balanced representation of all classes during training. Ground Truth Label Correction (GLC): a label refinement method that identifies and corrects false, missing, and noisy ground truth labels by leveraging the consistency of teacher model predictions. Pseudo-Label Selection (PLS): a selection method for removing low-quality pseudo-labeled images, guided by a novel metric estimating the missing detection rate while accounting for class rarity. We validate our methods through comprehensive experiments on autonomous driving datasets, resulting in up to 6% increase in SSOD performance. Overall, our investigation and novel, data-centric, and broadly applicable building blocks enable robust and effective SSOD in complex, real-world scenarios. Code is available at https://mos-ks.github.io/publications.
• Abstract（参考訳）: 擬似ラベル付けに基づく半教師付きオブジェクト検出(SSOD)は、ラベル付きデータとラベルなしデータの両方を効果的に活用することにより、大きなラベル付きデータセットへの依存を著しく低減する。 しかし、SSODの現実世界の応用は、クラス不均衡、ラベルノイズ、ラベルエラーなど、しばしば重大な課題に直面している。 実世界の条件下でのSSODの詳細な分析を行い, ラベルの品質と量とのトレードオフと, 準最適擬似ラベル化の原因を明らかにする。 そこで本研究では,SSODフレームワークにシームレスに統合可能な4つのビルディングブロックを提案する。 Rare Class Collage (RCC):レアなオブジェクトのコラージュを作成することでレアなクラスの表現を強化するデータ拡張手法。 Rare Class Focus (RCF): トレーニング中のすべてのクラスのよりバランスのとれた表現を保証する、階層化されたバッチサンプリング戦略。 Ground Truth Label Correction (GLC) は、教師モデル予測の整合性を利用して、偽、欠落、騒々しい真実ラベルを識別し、訂正するラベル修正手法である。 Pseudo-Label Selection (PLS):低品質な擬似ラベル画像の除去方法。 自動走行データセットの総合的な実験により,SSODの性能が最大6%向上することを確認した。 全体として、我々の調査と、データ中心で、広く適用可能なビルディングブロックは、複雑な実世界のシナリオにおいて、堅牢で効果的なSSODを可能にします。 コードはhttps://mos-ks.github.io/publications.comで公開されている。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Online Pseudo-Label Unified Object Detection for Multiple Datasets Training [0.0]
  オンライン擬似ラベル統一オブジェクト検出方式を提案する。 本手法では,周期的に更新された教師モデルを用いて,各サブデータセット内の未ラベルオブジェクトの擬似ラベルを生成する。 また,地域提案ネットワーク(PRN)のリコール率を改善するために,カテゴリ別ボックス回帰と擬似ラベルRPNヘッドを提案する。
  論文  参考訳（メタデータ） (2024-10-21T01:23:42Z)
• Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
  現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。 本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。 我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
  論文  参考訳（メタデータ） (2024-10-08T15:06:10Z)
• Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
  Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。 より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。 我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
  論文  参考訳（メタデータ） (2024-01-01T08:19:21Z)
• Semi-Supervised Object Detection with Uncurated Unlabeled Data for Remote Sensing Images [16.660668160785615]
  半教師付きオブジェクト検出(SSOD)手法は、ラベルのないデータに対して擬似ラベルを生成することでこの問題に対処する。 しかし、現実の状況では、ラベルなしデータセット内の分布外サンプル(OOD)と分布内サンプル(ID)が混在する可能性がある。 未ラベルデータに対するOpen-Set Semi-Supervised Object Detection (OSSOD)を提案する。
  論文  参考訳（メタデータ） (2023-10-09T07:59:31Z)
• Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection [1.6249267147413524]
  半教師付きオブジェクト検出(SSOD)は、擬似ラベルに基づくエンドツーエンド手法の開発において大きな進歩を遂げている。 多くの手法は、擬似ラベルジェネレータの有効性を妨げるクラス不均衡のため、課題に直面している。 本稿では,低品質な擬似ラベルの根本原因と,ラベル生成品質を改善するための新しい学習メカニズムについて検討する。
  論文  参考訳（メタデータ） (2023-06-04T06:01:53Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Complementary Labels Learning with Augmented Classes [22.460256396941528]
  補完ラベル学習 (Complementary Labels Learning, CLL) は、プライベート質問分類やオンライン学習など、現実世界の多くのタスクに現れる。 CLLAC(Complementary Labels Learning with Augmented Classs)と呼ばれる新しい問題設定を提案する。 ラベルのないデータを用いて,CLLACの分類リスクの偏りのない推定手法を提案する。
  論文  参考訳（メタデータ） (2022-11-19T13:55:27Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)

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。