論文の概要: UCOD-DPL: Unsupervised Camouflaged Object Detection via Dynamic Pseudo-label Learning

• arxiv url: http://arxiv.org/abs/2506.07087v1
• Date: Sun, 08 Jun 2025 11:22:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.66853
• Title: UCOD-DPL: Unsupervised Camouflaged Object Detection via Dynamic Pseudo-label Learning
• Title（参考訳）: UCOD-DPL:動的擬似ラベル学習による教師なしカモフラージュ物体検出
• Authors: Weiqi Yan, Lvhai Chen, Huaijia Kou, Shengchuan Zhang, Yan Zhang, Liujuan Cao,
• Abstract要約: 非教師付きCamoflaged Object Detection (UCOD) は、広範囲のピクセルレベルのラベルに依存する必要がなくなるため注目されている。 既存のUCODメソッドは固定戦略を用いて擬似ラベルを生成し、単純なデコーダとして1 x1畳み込み層を訓練する。 本研究では,UCOD-DPL と呼ばれる動的擬似ラベル学習を用いた教師学習フレームワークを用いたUCOD手法を提案する。
• 参考スコア（独自算出の注目度）: 27.224713055411105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised Camoflaged Object Detection (UCOD) has gained attention since it doesn't need to rely on extensive pixel-level labels. Existing UCOD methods typically generate pseudo-labels using fixed strategies and train 1 x1 convolutional layers as a simple decoder, leading to low performance compared to fully-supervised methods. We emphasize two drawbacks in these approaches: 1). The model is prone to fitting incorrect knowledge due to the pseudo-label containing substantial noise. 2). The simple decoder fails to capture and learn the semantic features of camouflaged objects, especially for small-sized objects, due to the low-resolution pseudo-labels and severe confusion between foreground and background pixels. To this end, we propose a UCOD method with a teacher-student framework via Dynamic Pseudo-label Learning called UCOD-DPL, which contains an Adaptive Pseudo-label Module (APM), a Dual-Branch Adversarial (DBA) decoder, and a Look-Twice mechanism. The APM module adaptively combines pseudo-labels generated by fixed strategies and the teacher model to prevent the model from overfitting incorrect knowledge while preserving the ability for self-correction; the DBA decoder takes adversarial learning of different segmentation objectives, guides the model to overcome the foreground-background confusion of camouflaged objects, and the Look-Twice mechanism mimics the human tendency to zoom in on camouflaged objects and performs secondary refinement on small-sized objects. Extensive experiments show that our method demonstrates outstanding performance, even surpassing some existing fully supervised methods. The code is available now.
• Abstract（参考訳）: 非教師付きCamoflaged Object Detection (UCOD) は、広範囲のピクセルレベルのラベルに依存する必要がなくなるため注目されている。 既存のUCODメソッドは通常、固定戦略を使って擬似ラベルを生成し、単純なデコーダとして1 x1畳み込み層を訓練する。 このアプローチにおける2つの欠点を強調します。 モデルは、かなりのノイズを含む擬似ラベルにより、誤った知識を適合させる傾向がある。 2)。 単純なデコーダは、低解像度の擬似ラベルとフォアグラウンドと背景画素の深刻な混同のため、特に小型のオブジェクトにおいて、カモフラージュされたオブジェクトのセマンティックな特徴を捉えて学習することができない。 そこで本研究では,適応擬似ラベルモジュール(APM),デュアルブランチ・デコーダ(DBA)デコーダ(DBA)デコーダ(DBA)デコーダ(DBA)デコーダ(DBA)デコーダ,Look-Twice機構(Look-Twice)を含む,動的擬似ラベル学習(UCOD-DPL)を用いたUCOD法を提案する。 APMモジュールは、固定戦略と教師モデルによって生成された擬似ラベルを適応的に組み合わせて、自己補正能力を維持しながら、モデルが誤った知識を過度に適合しないようにし、DABデコーダは異なるセグメンテーション目的の敵意的な学習を行い、カモフラージュされたオブジェクトの前景と背景の混乱を克服するためにモデルを誘導し、Look-Twiceメカニズムは、カモフラージュされたオブジェクトにズームインする人間の傾向を模倣し、小さなオブジェクトに二次的な洗練を行う。 大規模な実験により,本手法は既存の完全教師付き手法を超越しても,優れた性能を示すことが示された。 コードはこちらから入手できる。

関連論文リスト

• Rethinking Pseudo-Label Guided Learning for Weakly Supervised Temporal Action Localization from the Perspective of Noise Correction [33.89781814072881]
  擬似ラベルのノイズは,完全教師付き検出ヘッドの学習に干渉すると考えられる。 雑音ラベルにおける潜在的な有用な信号をすべて活用するための2段階雑音ラベル学習戦略を導入する。 本モデルでは,検出精度と推定速度において,従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-19T17:31:40Z)
• CamoTeacher: Dual-Rotation Consistency Learning for Semi-Supervised Camouflaged Object Detection [58.07124777351955]
  本稿では,Dual-Rotation Consistency Learning(DRCL)を利用した新しい半教師付きCODフレームワークであるCamoTeacherを紹介する。 DRCLは、画素レベルとインスタンスレベルの回転ビューの一貫性を活用することで、擬似ラベルノイズを最小化する。 私たちのコードはまもなく利用可能になります。
  論文  参考訳（メタデータ） (2024-08-15T09:33:43Z)
• Learning Camouflaged Object Detection from Noisy Pseudo Label [60.9005578956798]
  本稿では,まず,弱い半教師付きカモフラージュオブジェクト検出(COD)法を提案する。 予算効率が高く高精度なカモフラージュされたオブジェクトセグメンテーションを目標とし、完全にラベル付けされた画像が極めて限られている。 本稿では,早期の学習段階において,モデルが正しい画素の学習を容易にするノイズ補正損失を提案する。 完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T04:53:51Z)
• Decoupled Pseudo-labeling for Semi-Supervised Monocular 3D Object Detection [108.672972439282]
  SSM3ODに対するDPL(decoupled pseudo-labeling)アプローチを提案する。 提案手法は,擬似ラベルを効率的に生成するためのDPGモジュールを特徴とする。 また,擬似ラベルの雑音深度監視による最適化競合を軽減するために,DGPモジュールを提案する。
  論文  参考訳（メタデータ） (2024-03-26T05:12:18Z)
• Learning Remote Sensing Object Detection with Single Point Supervision [17.12725535531483]
  Pointly Supervised Object Detection (PSOD) は、ボックスレベルの監視対象検出と比較してラベリングコストが低いため、かなりの関心を集めている。 本研究では,RS画像に適したPSOD法を提案する。 提案手法は,最先端の画像レベルとポイントレベルの教師付き検出法と比較して性能が大幅に向上し,PSODとボックスレベルの教師付きオブジェクト検出の差を低減できる。
  論文  参考訳（メタデータ） (2023-05-23T15:06:04Z)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)

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。