論文の概要: Enhancing Object Detection with Privileged Information: A Model-Agnostic Teacher-Student Approach

• arxiv url: http://arxiv.org/abs/2601.02016v1
• Date: Mon, 05 Jan 2026 11:24:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.038537
• Title: Enhancing Object Detection with Privileged Information: A Model-Agnostic Teacher-Student Approach
• Title（参考訳）: 主観的情報による物体検出の強化--モデルに依存しない教師-学生のアプローチ
• Authors: Matthias Bartolo, Dylan Seychell, Gabriel Hili, Matthew Montebello, Carl James Debono, Saviour Formosa, Konstantinos Makantasis,
• Abstract要約: 本稿では、オブジェクト検出におけるLUPI(Learning Using Privileged Information)パラダイムの統合について検討する。 本稿では,ボックスマスクを深層学習に基づく物体検出装置に注入するなど,特権情報を注入するための汎用的モデルに依存しない手法を提案する。
• 参考スコア（独自算出の注目度）: 2.1303542744717148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates the integration of the Learning Using Privileged Information (LUPI) paradigm in object detection to exploit fine-grained, descriptive information available during training but not at inference. We introduce a general, model-agnostic methodology for injecting privileged information-such as bounding box masks, saliency maps, and depth cues-into deep learning-based object detectors through a teacher-student architecture. Experiments are conducted across five state-of-the-art object detection models and multiple public benchmarks, including UAV-based litter detection datasets and Pascal VOC 2012, to assess the impact on accuracy, generalization, and computational efficiency. Our results demonstrate that LUPI-trained students consistently outperform their baseline counterparts, achieving significant boosts in detection accuracy with no increase in inference complexity or model size. Performance improvements are especially marked for medium and large objects, while ablation studies reveal that intermediate weighting of teacher guidance optimally balances learning from privileged and standard inputs. The findings affirm that the LUPI framework provides an effective and practical strategy for advancing object detection systems in both resource-constrained and real-world settings.
• Abstract（参考訳）: 本稿では,オブジェクト検出におけるLUPI(Learning Using Privileged Information)パラダイムの統合について検討する。 本稿では,教師が学習する学習対象物検出装置に,有界なボックスマスクやサリエンシマップ,深度キューなどの特権情報を注入するための汎用的モデルに依存しない手法を提案する。 UAVベースのリッター検出データセットやPascal VOC 2012を含む、最先端のオブジェクト検出モデルと複数の公開ベンチマークで実験を行い、精度、一般化、計算効率への影響を評価する。 その結果,LUPI学習学生は,予測複雑性やモデルサイズを増大させることなく,検出精度を大幅に向上させることができた。 教官指導の中間重み付けは、特権や標準入力からの学習を最適にバランスさせることが示されている。 その結果,LUPIフレームワークは,資源制約と実世界の両方の環境において,オブジェクト検出システムを進めるための効果的かつ実用的な戦略を提供することを確認した。

関連論文リスト

• Architectural Insights into Knowledge Distillation for Object Detection: A Comprehensive Review [1.374949083138427]
  このレビューでは、CNNベースの検出器とTransformerベースの検出器を区別する、KD手法のための新しいアーキテクチャ中心の分類法を紹介した。 提案した分類と分析は,オブジェクト検出におけるKDの進化する状況を明らかにすることを目的としており,現状の課題を浮き彫りにして,効率的でスケーラブルな検出システムに向けた今後の研究を導くことを目的としている。
  論文  参考訳（メタデータ） (2025-08-05T10:53:46Z)
• Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
  本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。 提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。 完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:14:32Z)
• Integrating Saliency Ranking and Reinforcement Learning for Enhanced Object Detection [0.08192907805418582]
  本研究では、強化学習(RL)に基づく視覚的注意法と給与ランキング技術を組み合わせた一連の実験について検討する。 この研究で得られた平均精度(mAP)は51.4で、RLをベースとした単体検出器のベンチマークを上回りました。
  論文  参考訳（メタデータ） (2024-08-13T10:46:42Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Aligning Data Selection with Performance: Performance-driven Reinforcement Learning for Active Learning in Object Detection [31.304039641225504]
  本稿では,オブジェクト検出のための平均APガイド型アクティブラーニングについて紹介する。 MGRALは、予測されたモデル出力変化の概念を深層検知ネットワークの情報性として活用する新しいアプローチである。 提案手法は,物体検出のための強化学習に基づく能動学習における新たなパラダイムを確立し,高い性能を示す。
  論文  参考訳（メタデータ） (2023-10-12T14:59:22Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• 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)

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。