論文の概要: S$^2$Teacher: Step-by-step Teacher for Sparsely Annotated Oriented Object Detection

• arxiv url: http://arxiv.org/abs/2504.11111v1
• Date: Tue, 15 Apr 2025 11:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:09:46.671627
• Title: S$^2$Teacher: Step-by-step Teacher for Sparsely Annotated Oriented Object Detection
• Title（参考訳）: S$^2$Teacher:Sparsely Annotated Oriented Object Detectionのためのステップバイステップ教師
• Authors: Yu Lin, Jianghang Lin, Kai Ye, You Shen, Yan Zhang, Shengchuan Zhang, Liujuan Cao, Rongrong Ji,
• Abstract要約: 部分的なインスタンスのみをラベル付けするSAOOD(sparsely annotated object detection)という新しい設定を導入する。 具体的には,(1)前景表現に過度に適合するスパースラベリング,(2)未ラベルオブジェクト(偽陰性)が特徴学習を混乱させる,という2つの課題に焦点をあてる。 そこで本稿では,S$2$Teacherを提案する。S$2$Teacherは,非ラベルオブジェクトの擬似ラベルを,手軽から硬まで段階的にマイニングし,前景表現を強化する手法である。
• 参考スコア（独自算出の注目度）: 55.34086214300803
• License:
• Abstract: Although fully-supervised oriented object detection has made significant progress in multimodal remote sensing image understanding, it comes at the cost of labor-intensive annotation. Recent studies have explored weakly and semi-supervised learning to alleviate this burden. However, these methods overlook the difficulties posed by dense annotations in complex remote sensing scenes. In this paper, we introduce a novel setting called sparsely annotated oriented object detection (SAOOD), which only labels partial instances, and propose a solution to address its challenges. Specifically, we focus on two key issues in the setting: (1) sparse labeling leading to overfitting on limited foreground representations, and (2) unlabeled objects (false negatives) confusing feature learning. To this end, we propose the S$^2$Teacher, a novel method that progressively mines pseudo-labels for unlabeled objects, from easy to hard, to enhance foreground representations. Additionally, it reweights the loss of unlabeled objects to mitigate their impact during training. Extensive experiments demonstrate that S$^2$Teacher not only significantly improves detector performance across different sparse annotation levels but also achieves near-fully-supervised performance on the DOTA dataset with only 10% annotation instances, effectively balancing detection accuracy with annotation efficiency. The code will be public.
• Abstract（参考訳）: 完全教師付きオブジェクト指向物体検出は、マルチモーダルリモートセンシング画像理解において大きな進歩を遂げているが、労働集約アノテーションのコストがかかる。 近年の研究では、この負担を軽減するために弱く半教師付き学習が研究されている。 しかし,これらの手法は複雑なリモートセンシングシーンにおいて,高密度アノテーションによって引き起こされる困難さを無視するものである。 本稿では,部分的なインスタンスのみをラベル付けするSAOOD (sparsely Annotated oriented object detection) という新しい設定を提案し,その課題に対処するためのソリューションを提案する。 具体的には,(1)前景表現に過度に適合するスパースラベリング,(2)未ラベルオブジェクト(偽陰性)が特徴学習を混乱させる,という2つの課題に焦点をあてる。 そこで本稿では,S$^2$Teacherを提案する。S$^2$Teacherは,非ラベルオブジェクトの擬似ラベルを,手軽から硬まで段階的にマイニングし,前景表現を強化する手法である。 さらに、トレーニング中の影響を軽減するために、ラベルのないオブジェクトの損失を軽減します。 S$^2$Teacherは、異なるスパースアノテーションレベルの検出性能を著しく向上するだけでなく、10%のアノテーションインスタンスしか持たないDOTAデータセット上でほぼ監督された性能を実現し、検出精度とアノテーション効率を効果的にバランスすることを示した。 コードは公開されます。

関連論文リスト

• Few-shot Oriented Object Detection with Memorable Contrastive Learning in Remote Sensing Images [11.217630579076237]
  リモートセンシングの分野では、FSOD(Few-shot Object Detection)が注目されている。 本稿では,Few-shot Oriented Object Detection with Memorable Contrastive Learning (FOMC) という,リモートセンシングのための新しいFSOD法を提案する。 具体的には、従来の水平有界ボックスの代わりに指向的有界ボックスを用いて、任意指向の空中オブジェクトのより優れた特徴表現を学習する。
  論文  参考訳（メタデータ） (2024-03-20T08:15:18Z)
• Towards End-to-End Unsupervised Saliency Detection with Self-Supervised Top-Down Context [25.85453873366275]
  トップダウンコンテキストを介し、自己教師付きエンドツーエンドの有能なオブジェクト検出フレームワークを提案する。 最も深い特徴から自己ローカライゼーションを生かして位置マップを構築し,最も指導的なセグメンテーション指導を学習する。 提案手法は,近年のエンド・ツー・エンド手法と,多段階ソリューションの大部分において,先行的な性能を実現する。
  論文  参考訳（メタデータ） (2023-10-14T08:43:22Z)
• Deep Active Learning with Noisy Oracle in Object Detection [5.5165579223151795]
  ディープオブジェクト検出のためのラベルレビューモジュールを含む複合能動学習フレームワークを提案する。 アクティブなデータセットで部分的にノイズの多いアノテーションを修正するためにアノテーションの予算の一部を利用することで、モデルの性能が早期に向上することを示します。 本実験では,同一のアノテーション予算でラベルレビューを組み込むことで,最大4.5mAPポイントのオブジェクト検出性能の向上を実現した。
  論文  参考訳（メタデータ） (2023-09-30T13:28:35Z)
• Calibrated Teacher for Sparsely Annotated Object Detection [35.74904852812749]
  完全な教師付きオブジェクト検出には、すべてのインスタンスに注釈を付けるトレーニングイメージが必要である。 これは、高い労力と時間コストと避けられないアノテーションのため、実際には現実的ではありません。 近年,アノテーションの欠落に対して擬似ラベルを生成することで,オブジェクト検出の容易化が図られている。 本稿では,予測の信頼度を実際の精度に合わせるために,校正教師を提案する。
  論文  参考訳（メタデータ） (2023-03-14T02:02:39Z)
• 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)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection [184.563345153682]
  我々は、弱教師付き学習のためのインスタンス認識とコンテキスト重視の統合フレームワークを開発する。 メモリ効率の高いシーケンシャルバッチバックプロパゲーションを考案しながら、インスタンス対応の自己学習アルゴリズムと学習可能なコンクリートドロップブロックを採用している。 提案手法はCOCO(12.1% AP$、24.8% AP_50$)、VOC 2007(54.9% AP$)、VOC 2012(52.1% AP$)の最先端結果である。
  論文  参考訳（メタデータ） (2020-04-09T17:57:09Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

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。