論文の概要: Decoupled Pipeline with Proposal Reranking and Score Fusion for Positive-Unlabeled Marine Species Detection
- arxiv url: http://arxiv.org/abs/2607.18700v1
- Date: Tue, 21 Jul 2026 04:35:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.308801
- Title: Decoupled Pipeline with Proposal Reranking and Score Fusion for Positive-Unlabeled Marine Species Detection
- Title（参考訳）: 正の無ラベル海洋種検出のためのデカップリングパイプラインの提案とスコア融合
- Abstract要約: DS@GT ARCのマルチステージシステムについて述べる。
このシステムは102チーム中12位にランクインした。
実験の結果、提案のリコールの保存、過剰な攻撃的なフィルタリングの回避、下流のランキングの改善は、検出器を微調整したり、ノイズの多い擬似ラベルを直接訓練するよりも効果的であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The FathomNetCLEF 2026 competition combines underwater object detection and fine-grained marine species classification under a positive-unlabeled evaluation setting. The provided training labels are sparse, while the hidden test set is out-of-distribution relative to the training imagery, creating both annotation incompleteness and source-shift challenges. We describe DS@GT ARC's multi-stage system developed for this setting while keeping model training restricted to the data provided by the competition. The final private-leaderboard model uses a frozen Megalodon YOLOv8x detector as a class-agnostic proposal generator, combines global and tiled inference with tile-edge filtering, classifies expanded proposal crops with a LoRA-finetuned DINOv3 ViT-H classifier, and ranks predictions using weighted geometric fusion of detector and classifier confidence. This system placed 12th out of 102 teams. A closely related variant added a locally trained TTN-inspired validity head as a light reranking signal, improving public-leaderboard and proxy-evaluation performance but slightly reducing private-leaderboard performance. Across experiments, the strongest lesson was that train-derived validation and detector-only metrics were not reliable enough for model selection. Instead, we used proxy datasets only for validation and comparison, and combined those signals with leaderboard feedback and targeted ablations. These experiments showed that reserving proposal recall, avoiding over-aggressive filtering, and improving downstream ranking were more effective than fine-tuning the detector or directly training on noisy pseudo-labels. Code: https://github.com/dsgt-arc/fathomnetclef-2026.
- Abstract（参考訳）: FathomNetCLEF 2026コンペティションは、水中物体の検出と、正の未ラベル評価条件下でのきめ細かい海洋種分類を組み合わせたものである。
提供されるトレーニングラベルはスパースで、隠れたテストセットはトレーニングイメージに対する配布外であり、アノテーションの不完全性とソースシフトの課題の両方を生み出します。
本稿では,DS@GT ARCのマルチステージシステムについて述べる。
最後のプライベートリーダーボードモデルは、凍ったメガロドンYOLOv8x検出器をクラス非依存の提案ジェネレータとして使用し、グローバルとタイル付き推論とタイルエッジフィルタリングを組み合わせ、拡張された提案作物をロラ微細化DINOv3 ViT-H分類器で分類し、検出器の重み付き幾何融合と分類器信頼度を用いて予測をランク付けする。
このシステムは102チーム中12位にランクインした。
密接に関連する派生型は、局所的に訓練されたTTNにインスパイアされたバリデーションヘッドをライトリグレード信号として追加し、公開リーダボードとプロキシ評価のパフォーマンスを改善したが、プライベートリーダボードのパフォーマンスはわずかに低下した。
実験全体を通して、最も強い教訓は、列車由来の検証と検出器のみのメトリクスがモデル選択に十分な信頼性がないことである。
代わりに、バリデーションと比較のみにプロキシデータセットを使用し、これらの信号をリーダボードのフィードバックとターゲットのアブリケーションと組み合わせました。
これらの実験により, 提案リコールの保存, 過剰な攻撃的フィルタリングの回避, 下流ランキングの改善は, 検出器を微調整したり, ノイズの多い擬似ラベルを直接訓練するよりも効果的であった。
コード:https://github.com/dsgt-arc/fathomnetclef-2026。
関連論文リスト
- Label-efficient underwater species classification with semi-supervised learning on frozen foundation model embeddings [0.0]
凍結埋め込みの自己トレーニングは、ラベル付きデータセット全体に基づいてトレーニングされた完全に教師されたConvNeXtベースラインにギャップの大部分を埋める。
私たちのアプローチでは、トレーニングもドメイン固有のデータエンジニアリングも、水中適応モデルも必要ありません。
論文 参考訳（メタデータ） (2026-03-31T23:27:09Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳（メタデータ） (2023-12-27T09:03:43Z) - Cyclic-Bootstrap Labeling for Weakly Supervised Object Detection [134.05510658882278]
Cyclic-Bootstrap Labeling (CBL) は、弱制御されたオブジェクト検出パイプラインである。
様々な改良モジュールを活用するために、重み付けされた指数移動平均戦略を使用する。
重み付きアンサンブル型教師ネットワークの出力を活用するために, クラス別ランキング蒸留アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-08-11T07:57:17Z) - Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised
Person Re-Identification [80.98291772215154]
教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。
近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。
本稿では, Pseudo Label Refinement フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-30T09:39:57Z) - DSLA: Dynamic smooth label assignment for efficient anchor-free object
detection [18.043176234010517]
アンカーフリー検出器は、基本的にオブジェクト検出を密な分類と回帰として定式化する。
局所化の質を推定するために、個別の予測分岐を導入するのが一般的である。
分類と品質評価の実践を掘り下げると、以下の矛盾が観測される。
論文 参考訳（メタデータ） (2022-08-01T12:56:44Z) - Semi-Supervised Temporal Action Detection with Proposal-Free Masking [134.26292288193298]
PropOsal-free Temporal mask (SPOT) に基づく新しい半教師付き時間行動検出モデルを提案する。
SPOTは最先端の代替品よりも優れている。
論文 参考訳（メタデータ） (2022-07-14T16:58:47Z) - Ranking-Based Siamese Visual Tracking [31.2428211299895]
シームズベースのトラッカーは、主に視覚追跡を2つの独立したサブタスクに定式化し、分類とローカライゼーションを含む。
本稿では,異なる提案間の関係を探索するランキングベース最適化アルゴリズムを提案する。
提案された2つのランキングの損失は、ほとんどのシームズトラッカーと互換性があり、推論のための追加計算は発生しない。
論文 参考訳（メタデータ） (2022-05-24T03:46:40Z) - Probabilistic Anchor Assignment with IoU Prediction for Object Detection [9.703212439661097]
オブジェクト検出では、どのアンカーを正または負のサンプルとして割り当てるか、すなわちアンカー代入(アンカー代入)がモデルの性能に大きく影響を与えるコアプロシージャとして明らかにされている。
本稿では,モデルの学習状況に応じて,アンカーを正と負のサンプルに適応的に分離する新しいアンカー代入戦略を提案する。
論文 参考訳（メタデータ） (2020-07-16T04:26:57Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z)
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。