論文の概要: RSOD: Reliability-Guided Sonar Image Object Detection with Extremely Limited Labels
- arxiv url: http://arxiv.org/abs/2601.12715v1
- Date: Mon, 19 Jan 2026 04:37:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-21 22:47:22.755874
- Title: RSOD: Reliability-Guided Sonar Image Object Detection with Extremely Limited Labels
- Title（参考訳）: RSOD:極端に限られたラベルを用いた信頼性誘導ソナー画像検出
- Authors: Chengzhou Li, Ping Guo, Guanchen Meng, Qi Jia, Jinyuan Liu, Zhu Liu, Xiaokang Liu, Yu Liu, Zhongxuan Luo, Xin Fan,
- Abstract要約: ソナー画像における物体検出は水中検出システムにおいて重要な技術である。
本研究では,ソナー画像の特徴をフルに学習するRSODという教師支援フレームワークを提案する。
ソナー画像におけるラベル付きデータの不足に対処するために,オブジェクト混合擬似ラベル方式を提案する。
- 参考スコア（独自算出の注目度）: 31.951604817203656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detection in sonar images is a key technology in underwater detection systems. Compared to natural images, sonar images contain fewer texture details and are more susceptible to noise, making it difficult for non-experts to distinguish subtle differences between classes. This leads to their inability to provide precise annotation data for sonar images. Therefore, designing effective object detection methods for sonar images with extremely limited labels is particularly important. To address this, we propose a teacher-student framework called RSOD, which aims to fully learn the characteristics of sonar images and develop a pseudo-label strategy suitable for these images to mitigate the impact of limited labels. First, RSOD calculates a reliability score by assessing the consistency of the teacher's predictions across different views. To leverage this score, we introduce an object mixed pseudo-label method to tackle the shortage of labeled data in sonar images. Finally, we optimize the performance of the student by implementing a reliability-guided adaptive constraint. By taking full advantage of unlabeled data, the student can perform well even in situations with extremely limited labels. Notably, on the UATD dataset, our method, using only 5% of labeled data, achieves results that can compete against those of our baseline algorithm trained on 100% labeled data. We also collected a new dataset to provide more valuable data for research in the field of sonar.
- Abstract（参考訳）: ソナー画像における物体検出は水中検出システムにおいて重要な技術である。
自然画像と比較すると、ソナー画像はテクスチャの細部が少なく、ノイズの影響を受けやすいため、非専門家がクラス間の微妙な違いを区別することは困難である。
これにより、ソナー画像の正確なアノテーションデータを提供することができない。
そのため,極端に限られたラベルを持つソナー画像に対して,効果的な物体検出手法を設計することが特に重要である。
そこで我々は,音節画像の特徴をフルに学習し,これらの画像に適した擬似ラベル戦略を開発し,限られたラベルの影響を軽減することを目的とした,RSODと呼ばれる教師学習フレームワークを提案する。
まず,教師の予測の一貫性を異なる視点で評価し,信頼性スコアを算出する。
このスコアを活用するために、ソナー画像中のラベル付きデータの不足に対処するために、オブジェクト混合擬似ラベル法を導入する。
最後に、信頼性誘導適応制約を実装することにより、学生のパフォーマンスを最適化する。
ラベルのないデータを最大限に活用することにより、非常に限られたラベルを持つ状況でも、学生は良好なパフォーマンスを発揮できる。
特に、UATDデータセットでは、ラベル付きデータの5%しか使用せず、100%ラベル付きデータに基づいてトレーニングされたベースラインアルゴリズムと競合する結果が得られる。
また、ソナー分野の研究に有用なデータを提供するために、新しいデータセットも収集した。
関連論文リスト
- Learning from Noisy Pseudo-labels for All-Weather Land Cover Mapping [20.979328369582486]
SAR画像は詳細な情報がなく、大きなスペックルノイズに悩まされている。
近年、擬似ラベルを生成するために、ペアの光学SAR画像のアノテートが試みられている。
半教師付き学習を新たな画像解像度アライメント拡張と共に組み込むことにより、擬似ラベルを生成するためのより正確な方法を提案する。
論文 参考訳（メタデータ） (2025-04-18T04:24:47Z) - 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) - Learning from Rich Semantics and Coarse Locations for Long-tailed Object
Detection [157.18560601328534]
RichSemは、正確なバウンディングボックスを必要とせずに、粗い場所からリッチなセマンティクスを学ぶための堅牢な方法である。
我々はこれらのソフトセマンティクスを学習し、長い尾を持つ物体検出のための特徴表現を強化するために、セマンティクス分岐を検出器に追加する。
本手法は,複雑なトレーニングやテスト手順を必要とせず,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-10-18T17:59:41Z) - Semi-supervised Ranking for Object Image Blur Assessment [37.778436378659656]
信頼性のあるラベルを用いた大規模現実的な顔画像ぼかし評価データセットを構築した。
本稿では,2つのランクラベルを監督としてのみ,ぼやけたスコアを得る手法を提案する。
性能向上のために,四重項ランキングの整合性に基づく自己教師手法を提案する。
論文 参考訳（メタデータ） (2022-07-13T09:49:22Z) - Boosting Facial Expression Recognition by A Semi-Supervised Progressive
Teacher [54.50747989860957]
本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。
RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
論文 参考訳（メタデータ） (2022-05-28T07:47:53Z) - Deep Image Retrieval is not Robust to Label Noise [0.0]
画像分類法は,画像分類法よりもラベルノイズに対する頑健さが低いことを示す。
画像検索タスクに特有なラベルノイズの種類を初めて検討した。
論文 参考訳（メタデータ） (2022-05-23T11:04:09Z) - Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
超高解像度画像のための混合監視学習フレームワークを提案する。
パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。
画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
論文 参考訳（メタデータ） (2021-07-02T09:46:06Z) - Distilling effective supervision for robust medical image segmentation
with noisy labels [21.68138582276142]
本稿では,画素レベルと画像レベルの両方から効果的な監視情報を抽出することにより,ノイズラベルによるセグメント化に対処する新しい枠組みを提案する。
特に,各画素の不確かさを画素単位の雑音推定として明確に推定する。
画素レベルの学習を補完する画像レベルの頑健な学習手法を提案する。
論文 参考訳（メタデータ） (2021-06-21T13:33:38Z) - Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。
大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。
本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
論文 参考訳（メタデータ） (2020-09-30T15:45:36Z) - Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。
具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
論文 参考訳（メタデータ） (2020-08-06T03:04:16Z)
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。