論文の概要: Streamlining the Development of Active Learning Methods in Real-World Object Detection
- arxiv url: http://arxiv.org/abs/2508.19906v1
- Date: Wed, 27 Aug 2025 14:10:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-28 19:07:41.65863
- Title: Streamlining the Development of Active Learning Methods in Real-World Object Detection
- Title（参考訳）: 実世界の物体検出における能動学習手法の開発
- Authors: Moussa Kassem Sbeyti, Nadja Klein, Michelle Karg, Christian Wirth, Sahin Albayrak,
- Abstract要約: 実世界のオブジェクト検出のためのアクティブな学習は、実用的なデプロイメントを制限する計算と信頼性の課題に直面します。
これらの課題に対処する指標であるオブジェクトベースのセット類似性(mathrmOSS$)を紹介します。
この研究は、オブジェクト類似性に基づいたオブジェクト検出におけるALトレーニングと評価戦略を統合する最初のものである。
- 参考スコア（独自算出の注目度）: 4.197402763771375
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Active learning (AL) for real-world object detection faces computational and reliability challenges that limit practical deployment. Developing new AL methods requires training multiple detectors across iterations to compare against existing approaches. This creates high costs for autonomous driving datasets where the training of one detector requires up to 282 GPU hours. Additionally, AL method rankings vary substantially across validation sets, compromising reliability in safety-critical transportation systems. We introduce object-based set similarity ($\mathrm{OSS}$), a metric that addresses these challenges. $\mathrm{OSS}$ (1) quantifies AL method effectiveness without requiring detector training by measuring similarity between training sets and target domains using object-level features. This enables the elimination of ineffective AL methods before training. Furthermore, $\mathrm{OSS}$ (2) enables the selection of representative validation sets for robust evaluation. We validate our similarity-based approach on three autonomous driving datasets (KITTI, BDD100K, CODA) using uncertainty-based AL methods as a case study with two detector architectures (EfficientDet, YOLOv3). This work is the first to unify AL training and evaluation strategies in object detection based on object similarity. $\mathrm{OSS}$ is detector-agnostic, requires only labeled object crops, and integrates with existing AL pipelines. This provides a practical framework for deploying AL in real-world applications where computational efficiency and evaluation reliability are critical. Code is available at https://mos-ks.github.io/publications/.
- Abstract（参考訳）: 実世界の物体検出のためのアクティブラーニング(AL)は、実用的な展開を制限する計算と信頼性の課題に直面している。
新しいALメソッドの開発には、既存のアプローチと比較するために、イテレーション間で複数の検出器をトレーニングする必要がある。
これにより、1つの検出器のトレーニングに最大282GPU時間を要する、自律走行データセットのコストが高くなる。
さらに、ALメソッドのランキングは、安全に重要な輸送システムの信頼性を損なうバリデーションセットによって大きく異なる。
これらの課題に対処する指標として、オブジェクトベースの集合類似性("\mathrm{OSS}$")を紹介します。
$\mathrm{OSS}$ (1) は、オブジェクトレベルの特徴を用いて、トレーニングセットとターゲットドメインの類似性を測定することによって、検出器トレーニングを必要とせずにALメソッドの有効性を定量化する。
これにより、トレーニング前に非効率なALメソッドを排除できる。
さらに、$\mathrm{OSS}$ (2) は、堅牢な評価のための代表検証セットの選択を可能にする。
我々は,3つの自律走行データセット(KITTI,BDD100K,CODA)に対する類似性に基づくアプローチを,不確実性に基づくAL手法を用いて検証した。
この研究は、オブジェクト類似性に基づいたオブジェクト検出におけるALトレーニングと評価戦略を統合する最初のものである。
$\mathrm{OSS}$は検出器に依存しず、ラベル付きオブジェクトの作物のみを必要とし、既存のALパイプラインと統合する。
これは、計算効率と評価信頼性が重要である実世界のアプリケーションにALをデプロイするための実践的なフレームワークを提供する。
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
- Towards Lifecycle Unlearning Commitment Management: Measuring Sample-level Unlearning Completeness [30.596695293390415]
補間近似測定(Interpolated Approximate Measurement, IAM)は、非学習推論用に設計されたフレームワークである。
IAMは、クエリされたサンプルに対するモデルの一般化適合行動ギャップを補間することにより、サンプルレベルの未学習完全性を定量化する。
IAMを最近の近似アンラーニングアルゴリズムに適用し、オーバーアンラーニングとアンダーアンラーニングの両方のリスクを明らかにする。
論文 参考訳（メタデータ） (2025-06-06T14:22:18Z) - 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) - Dense Learning based Semi-Supervised Object Detection [46.885301243656045]
半教師付きオブジェクト検出(SSOD)は、大量のラベルのないデータの助けを借りて、オブジェクト検出器の訓練と展開を容易にすることを目的としている。
本稿では,DenSe Learningに基づくアンカーフリーSSODアルゴリズムを提案する。
実験はMS-COCOとPASCAL-VOCで行われ,提案手法は新たな最先端SSOD性能を記録する。
論文 参考訳（メタデータ） (2022-04-15T02:31:02Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Robust and Accurate Object Detection via Self-Knowledge Distillation [9.508466066051572]
Unified Decoupled Feature Alignment (UDFA)は、既存のメソッドよりも優れたパフォーマンスを実現する新しい微調整パラダイムである。
UDFAは、対象検出のための標準的な訓練方法や最先端の訓練方法を上回ることができることを示す。
論文 参考訳（メタデータ） (2021-11-14T04:40:15Z) - Data-efficient Weakly-supervised Learning for On-line Object Detection
under Domain Shift in Robotics [24.878465999976594]
文献では、Deep Convolutional Neural Networks (DCNNs)に基づく多数のオブジェクト検出方法が提案されている。
これらの手法はロボティクスに重要な制限がある:オフラインデータのみに学習するとバイアスが発生し、新しいタスクへの適応を防ぐことができる。
本研究では,弱い教師付き学習がこれらの問題にどのように対処できるかを検討する。
論文 参考訳（メタデータ） (2020-12-28T16:36:11Z) - Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。
本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
論文 参考訳（メタデータ） (2020-11-16T06:51:55Z) - Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。
我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。
我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
論文 参考訳（メタデータ） (2020-10-01T15:59:31Z) - Interpolation-based semi-supervised learning for object detection [44.37685664440632]
オブジェクト検出のための補間に基づく半教師付き学習手法を提案する。
提案した損失は、半教師付き学習と教師付き学習の性能を劇的に向上させる。
論文 参考訳（メタデータ） (2020-06-03T10:53:44Z) - Guided Uncertainty-Aware Policy Optimization: Combining Learning and
Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。
強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。
本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
論文 参考訳（メタデータ） (2020-05-21T19:47:05Z)
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。