論文の概要: Simple Supervision Is Hard to Beat: A Bitter Lesson from Sparse Target Labels in Domain-Adaptive Object Detection

• arxiv url: http://arxiv.org/abs/2606.30795v1
• Date: Mon, 29 Jun 2026 18:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:18.967114
• Title: Simple Supervision Is Hard to Beat: A Bitter Lesson from Sparse Target Labels in Domain-Adaptive Object Detection
• Title（参考訳）: シンプルなスーパービジョンは、ドメイン適応型オブジェクト検出におけるスパースターゲットラベルからの分岐学習に勝てる
• Authors: Lijun Zhang, Ruinian Xu, Mudit Agrawal,
• Abstract要約: ソース自由領域適応オブジェクト検出は、典型的には擬似ラベルを用いた教師学生の自己学習を通じて、ソース学習された検出器をラベルなしのターゲットドメインに適応させる。 我々はRandom-Target Supervised Mixing (RTSM)を紹介した。これは従来の未ラベル適応ブランチをそのまま残しながら、教師付き検出損失を通じてアノテーションを組み込むシンプルなアンカーである。
• 参考スコア（独自算出の注目度）: 15.036291423058847
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Source-free domain adaptive object detection adapts a source-trained detector to an unlabeled target domain, typically through teacher-student self-training with pseudo-labels. We revisit this setting when a small, uniformly sampled subset of target images is labeled. We introduce Random-Target Supervised Mixing (RTSM), a simple anchor that incorporates these annotations through a supervised detection loss while leaving the original unlabeled adaptation branch unchanged. Across evaluations spanning four SFDA-OD methods, two object detectors, multiple adaptation tasks, and target-label budgets from 1% to 10%, RTSM consistently improves pure SFDA by 1.7 to 18.3 AP50. We then examine whether the same annotations can provide further gains by steering unlabeled self-training. To this end, we evaluate ten sparse-label feedback plugins covering pseudo-label selection, object completion, and optimization control, which yield limited and method-dependent gains over RTSM. These results reveal a bitter lesson for sparse-label SFDA-OD: simple supervision is hard to beat. RTSM therefore provides a simple yet effective anchor for sparse-label SFDA-OD.
• Abstract（参考訳）: ソース自由領域適応オブジェクト検出は、典型的には擬似ラベルを用いた教師学生の自己学習を通じて、ソース学習された検出器をラベルなしのターゲットドメインに適応させる。 ターゲット画像の小さな一様にサンプリングされたサブセットにラベルが付けられている場合、この設定を再検討する。 我々はRandom-Target Supervised Mixing (RTSM)を紹介した。これは従来の未ラベル適応ブランチをそのまま残しながら、教師付き検出損失を通じてアノテーションを組み込むシンプルなアンカーである。 4つのSFDA-OD法、2つの物体検出器、複数の適応タスク、標的ラベル予算を1%から10%に広げた評価では、RTSMは純粋なSFDAを1.7から18.3 AP50に改善している。 次に、ラベルなしの自己学習を操ることで、同じアノテーションが更なる利益をもたらすかどうかを検討する。 この目的のために、擬似ラベル選択、オブジェクト補完、最適化制御を含む10個のスパースラベルフィードバックプラグインを評価し、RTSMよりも限定的かつメソッド依存的なゲインを得る。 これらの結果から, スパースラベルのSFDA-ODに対する厳しい教訓が明らかとなった。 したがって、RTSMはスパースラベルのSFDA-ODに対して単純だが効果的なアンカーを提供する。

関連論文リスト

• Uncertainty-Aware Pseudo-Label Filtering for Source-Free Unsupervised Domain Adaptation [45.53185386883692]
  Source-free unsupervised domain adapt (SFUDA) は、訓練済みのソースモデルを、ソースデータにアクセスすることなく、ラベルなしのターゲットドメインで利用できるようにすることを目的としている。 本稿では,不確かさを意識したPseudo-label-filtering Adaptation (UPA) という手法を提案する。
  論文  参考訳（メタデータ） (2024-03-17T16:19:40Z)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)
• Density-Guided Dense Pseudo Label Selection For Semi-supervised Oriented Object Detection [17.059514012235354]
  半教師付きオブジェクト指向物体検出のための密度誘導擬似ラベル選択法(DDPLS)を提案する。 具体的には, Pseudo Density Score (PDS) を提案し, ポテンシャル物体の密度を推定する。 DOTA-v1.5ベンチマークでは,ラベル付きデータが少ない場合,提案手法は従来手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-11-21T13:49:28Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• Refined Pseudo labeling for Source-free Domain Adaptive Object Detection [9.705172026751294]
  ソースフリーDは、未ラベルのターゲットデータのみを用いて、ソーストレーニングされた検出器をターゲット領域に適応させる。 既存のソースフリーD手法は、通常擬似ラベリングを利用しており、性能は信頼しきい値の選択に大きく依存している。 本稿では,各カテゴリに対して適切な閾値を適応的に提供する適応しきい値推定モジュールを提案する。
  論文  参考訳（メタデータ） (2023-03-07T08:31:42Z)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• Cross-Domain Gradient Discrepancy Minimization for Unsupervised Domain Adaptation [22.852237073492894]
  Unsupervised Domain Adaptation (UDA) は、よくラベルされたソースドメインから未ラベルのターゲットドメインに学習された知識を一般化することを目的としている。 本稿では,ソースサンプルとターゲットサンプルが生成する勾配の差を明示的に最小化する,クロスドメイン離散化(CGDM)手法を提案する。 対象サンプルの勾配信号を計算するために,クラスタリングに基づく自己教師型学習を通じて,対象の擬似ラベルを求める。
  論文  参考訳（メタデータ） (2021-06-08T07:35:40Z)

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。