論文の概要: Real-World Point Tracking with Verifier-Guided Pseudo-Labeling

• arxiv url: http://arxiv.org/abs/2603.12217v1
• Date: Thu, 12 Mar 2026 17:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.261595
• Title: Real-World Point Tracking with Verifier-Guided Pseudo-Labeling
• Title（参考訳）: 検証誘導擬似ラベルを用いた実世界の点追跡
• Authors: Görkay Aydemir, Fatma Güney, Weidi Xie,
• Abstract要約: 本稿では,トラッカー予測の信頼性を学習し,擬似ラベル生成を導くメタモデルである検証器を紹介する。 提案手法は,従来の自己学習手法よりも少ないデータを必要とする一方で,最先端の結果が得られる。
• 参考スコア（独自算出の注目度）: 57.82074913456958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Models for long-term point tracking are typically trained on large synthetic datasets. The performance of these models degrades in real-world videos due to different characteristics and the absence of dense ground-truth annotations. Self-training on unlabeled videos has been explored as a practical solution, but the quality of pseudo-labels strongly depends on the reliability of teacher models, which vary across frames and scenes. In this paper, we address the problem of real-world fine-tuning and introduce verifier, a meta-model that learns to assess the reliability of tracker predictions and guide pseudo-label generation. Given candidate trajectories from multiple pretrained trackers, the verifier evaluates them per frame and selects the most trustworthy predictions, resulting in high-quality pseudo-label trajectories. When applied for fine-tuning, verifier-guided pseudo-labeling substantially improves the quality of supervision and enables data-efficient adaptation to unlabeled videos. Extensive experiments on four real-world benchmarks demonstrate that our approach achieves state-of-the-art results while requiring less data than prior self-training methods. Project page: https://kuis-ai.github.io/track_on_r
• Abstract（参考訳）: 長期点追跡モデルは通常、大規模な合成データセットに基づいて訓練される。 これらのモデルの性能は、異なる特性と密接な接地トルースアノテーションがないために、現実世界のビデオで劣化する。 未ラベルビデオによる自己学習は実用的な方法として検討されてきたが、擬似ラベルの品質は、フレームやシーンによって異なる教師モデルの信頼性に強く依存している。 本稿では,トラッカー予測の信頼性を学習し,擬似ラベル生成を導出するメタモデルである,実世界のファインチューニングの問題に対処する。 複数の事前訓練されたトラッカーから候補軌跡が与えられると、検証者はそれらをフレーム毎に評価し、最も信頼できる予測を選択し、高品質な擬似ラベル軌跡を生成する。 微調整を施すと、検証者ガイド付き擬似ラベルが監督の質を大幅に向上させ、ラベルなしビデオへのデータ効率の適応を可能にする。 4つの実世界のベンチマーク実験により、我々の手法は従来の自己学習手法よりも少ないデータで最先端の結果が得られることを示した。 プロジェクトページ: https://kuis-ai.github.io/track_on_r

関連論文リスト

• Loss Knows Best: Detecting Annotation Errors in Videos via Loss Trajectories [11.597228102492672]
  ビデオデータセットにおけるアノテーションエラーを検出するためのモデルに依存しない手法を提案する。 本手法では,アノテーションの誤りに関する基礎的な真理は必要とせず,データセット間で一般化可能である。 EgoPERとColec80は強力な検出性能を示し、誤ラベルやフレーム障害などの微妙な矛盾を効果的に識別する。
  論文  参考訳（メタデータ） (2026-02-16T19:53:58Z)
• 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)
• A Benchmark Generative Probabilistic Model for Weak Supervised Learning [2.0257616108612373]
  アノテーションの負担を軽減するために、弱監視学習アプローチが開発されている。 遅延変数モデル(PLVM)が4つのデータセット間で最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2023-03-31T07:06:24Z)
• Generative Modeling Helps Weak Supervision (and Vice Versa) [87.62271390571837]
  本稿では,弱い監督と生成的敵ネットワークを融合したモデルを提案する。 弱い監督によるラベル推定と並行して、データの離散変数をキャプチャする。 これは、弱い教師付き合成画像と擬似ラベルによるデータ拡張を可能にする最初のアプローチである。
  論文  参考訳（メタデータ） (2022-03-22T20:24:21Z)
• Debiased Pseudo Labeling in Self-Training [77.83549261035277]
  ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。 ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。 疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:14:33Z)
• Robustness of Accuracy Metric and its Inspirations in Learning with Noisy Labels [51.66448070984615]
  十分な数の雑音サンプルに対してトレーニング精度を最大化すると,ほぼ最適な分類器が得られることを示す。 検証のために、ノイズの多い検証セットが信頼できることを証明し、モデル選択のクリティカルな要求に対処する。 理論結果に動機づけられて,ノイズラベルをトレーニングしたモデルの特徴付けを行い,ノイズ検証セットの有用性を検証する。
  論文  参考訳（メタデータ） (2020-12-08T03:37:47Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。