論文の概要: Box-Level Class-Balanced Sampling for Active Object Detection

• arxiv url: http://arxiv.org/abs/2508.17849v1
• Date: Mon, 25 Aug 2025 09:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.715904
• Title: Box-Level Class-Balanced Sampling for Active Object Detection
• Title（参考訳）: アクティブ物体検出のためのボックスレベルクラスベースサンプリング
• Authors: Jingyi Liao, Xun Xu, Chuan-Sheng Foo, Lile Cai,
• Abstract要約: アクティブラーニング(AL)は、アノテーションの負担を軽減するための有望なテクニックである。 オブジェクト検出のためにボックスレベルでALを実行することは、画像全体を選択してラベル付けするよりもコスト効率が高いことが示されている。 そこで本稿では,ラベル付けのためのマイノリティクラスから,より多くのオブジェクトを選択するためのクラスバランスサンプリング手法を提案する。
• 参考スコア（独自算出の注目度）: 34.79955979395035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training deep object detectors demands expensive bounding box annotation. Active learning (AL) is a promising technique to alleviate the annotation burden. Performing AL at box-level for object detection, i.e., selecting the most informative boxes to label and supplementing the sparsely-labelled image with pseudo labels, has been shown to be more cost-effective than selecting and labelling the entire image. In box-level AL for object detection, we observe that models at early stage can only perform well on majority classes, making the pseudo labels severely class-imbalanced. We propose a class-balanced sampling strategy to select more objects from minority classes for labelling, so as to make the final training data, \ie, ground truth labels obtained by AL and pseudo labels, more class-balanced to train a better model. We also propose a task-aware soft pseudo labelling strategy to increase the accuracy of pseudo labels. We evaluate our method on public benchmarking datasets and show that our method achieves state-of-the-art performance.
• Abstract（参考訳）: 深層物体検出器の訓練には高価なバウンディングボックスアノテーションが必要である。 アクティブラーニング(AL)は、アノテーションの負担を軽減するための有望なテクニックである。 オブジェクト検出のための箱レベルでALを実行する、すなわち、ラベル付けのための最も情報に富んだボックスを選択し、偽ラベル付き画像を補うことで、画像全体を選択してラベル付けするよりもコスト効率が高いことが示されている。 オブジェクト検出のための箱レベルのALでは、初期モデルでは多数クラスでしかうまく動作しないため、擬似ラベルはクラス不均衡がひどくなる。 そこで本稿では,ALと擬似ラベルによって得られた最終トレーニングデータである「シャイ」と「グラウンド・真理ラベル」を,より優れたモデルのトレーニングを行うためにクラスバランスのよいものにするために,少数クラスからより多くのオブジェクトを選択するためのクラスバランスサンプリング戦略を提案する。 また,疑似ラベルの精度を高めるための課題認識型ソフト擬似ラベル手法を提案する。 提案手法を公開ベンチマークデータセット上で評価し,その手法が最先端の性能を実現することを示す。

関連論文リスト

• Single-Pass Object-Focused Data Selection [38.062117168168264]
  同時にアノテートすべきすべてのデータを選択するプロセスを参照して,シングルパスデータ選択に着目する。 シングルパスデータ選択の以前の方法は画像レベルの表現に依存しており、オブジェクトの検出とセグメンテーションのランダム選択を確実に上回らなかった。 我々は,基礎モデルからオブジェクトレベルの特徴を活用し,対象クラスのセマンティックカバレッジを確保するオブジェクト焦点データ選択(OFDS)を提案する。
  論文  参考訳（メタデータ） (2024-12-13T10:47:05Z)
• Exploiting Unlabeled Data with Multiple Expert Teachers for Open Vocabulary Aerial Object Detection and Its Orientation Adaptation [58.37525311718006]
  OVAD(Open-vocabulary Aero Object Detection)という,航空物体検出問題の新しい定式化を行った。 本稿では,CLIP-activated students-Teacher DetectionフレームワークであるCastDetを提案する。 本フレームワークは,ロバストなローカライズ教師といくつかのボックス選択戦略を統合し,新しいオブジェクトの高品質な提案を生成する。
  論文  参考訳（メタデータ） (2024-11-04T12:59:13Z)
• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Pseudo-labelling meets Label Smoothing for Noisy Partial Label Learning [8.387189407144403]
  我々は、完全注釈付きデータセットのキュレーションが高価である問題に対する効果的な学習パラダイムとして、弱い教師付き学習を動機付けている。 PLL(Partial Learning)は、各トレーニングインスタンスが候補ラベルのセットとペアリングされる、弱い教師付き学習パラダイムである。 本稿では,近傍の重み付けアルゴリズムを用いて,まず画像に擬似ラベルを割り当てるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-07T13:32:47Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• MUS-CDB: Mixed Uncertainty Sampling with Class Distribution Balancing for Active Annotation in Aerial Object Detection [40.94800050576902]
  最近の空中物体検出モデルは大量のラベル付きトレーニングデータに依存している。 アクティブラーニングは、情報および代表的未ラベルサンプルを選択的にクエリすることで、データラベリングコストを効果的に削減する。 本稿では,費用対効果の高い空中物体検出のための新しい能動学習手法を提案する。
  論文  参考訳（メタデータ） (2022-12-06T07:50:00Z)
• Semi-supervised Object Detection via Virtual Category Learning [68.26956850996976]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 具体的には、各混乱したサンプルに仮想圏(VC)が割り当てられる。 トレーニングサンプルと仮想カテゴリの間の埋め込み距離を指定することに起因する。
  論文  参考訳（メタデータ） (2022-07-07T16:59:53Z)
• Label, Verify, Correct: A Simple Few Shot Object Detection Method [93.84801062680786]
  トレーニングセットから高品質な擬似アノテーションを抽出するための簡単な擬似ラベリング手法を提案する。 擬似ラベリングプロセスの精度を向上させるための2つの新しい手法を提案する。 提案手法は,既存手法と比較して,最先端ないし第2の性能を実現する。
  論文  参考訳（メタデータ） (2021-12-10T18:59:06Z)
• Active Learning in Incomplete Label Multiple Instance Multiple Label Learning [17.5720245903743]
  MIML設定におけるアクティブラーニングのための新しいバッグクラスペア方式を提案する。 我々のアプローチは、効率的かつ正確な推論を伴う識別的グラフィカルモデルに基づいている。
  論文  参考訳（メタデータ） (2021-07-22T17:01:28Z)

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。