論文の概要: Distance to Class Prototypes: Active Learning for Object Detection

• arxiv url: http://arxiv.org/abs/2609.20248v1
• Date: Tue, 28 Jul 2026 06:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.642932
• Title: Distance to Class Prototypes: Active Learning for Object Detection
• Title（参考訳）: クラスプロトタイプへの距離:オブジェクト検出のためのアクティブラーニング
• Abstract要約: 新しい環境でのディープオブジェクト検出器は、その設定からデータに注釈をつけるコストよりも、アーキテクチャによって制限される。 アクティブラーニングは、ラベル付けする画像を選択することでコストを下げる。 我々は、あるネットワークの1つの前方通過からまだ読み取っていない後部よりもリッチな信号を提案する。
• 参考スコア（独自算出の注目度）: 14.738453379093961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying a deep object detector in a new setting is limited less by architecture than by the cost of annotating data from that setting. Active learning lowers the cost by choosing which images to label, and the choice is only as good as the signal used to score an unlabeled image. That signal is usually the class posterior, which is cheap but poorly calibrated, or the disagreement across several models or several stochastic passes, which is better but multiplies inference over a pool far larger than the labeled set. We propose a signal richer than the posterior yet still read from one forward pass of one network. A supervised contrastive term added to the training objective shapes a per-object embedding space in which distance encodes class membership, and an unlabeled detection is scored by how far it lies from the region occupied by its predicted category, weighted by its confidence. The criterion needs no ensemble, no auxiliary predictor and no repeated inference, and its entire cost is 2.89M parameters, an increase of 8.3% over a bare detector. On PASCAL VOC and MS-COCO it beats the posterior of the same detector in every round in which a selection is made, by up to 1.08% mAP50 against run to run deviations of 0.02% to 0.18%, and it stays competitive with ensemble and Monte Carlo dropout criteria costing three to fifty forward passes per unlabeled image. Experiments use the single-stage detector under which the compared criteria report their results, so that the selection decision is isolated from the strength of the detector.
• Abstract（参考訳）: 新しい設定でディープオブジェクト検出器をデプロイするのは、その設定からデータにアノテートするコストよりも、アーキテクチャによって制限される。 アクティブラーニングは、ラベル付けする画像を選択することでコストを下げる。 この信号は通常、低料金で校正が不十分なクラス後部であり、あるいはいくつかのモデルやいくつかの確率パス間の不一致であり、より良いが、ラベル付きセットよりもはるかに大きいプール上の乗算推論である。 我々は、あるネットワークの1つの前方通過からまだ読み取っていない後部よりもリッチな信号を提案する。 トレーニング対象に付加される教師付きコントラスト項は、クラスメンバシップを符号化するオブジェクトごとの埋め込み空間を形成し、その信頼度によって重み付けられた、その予測されたカテゴリが占める領域からどれくらいの距離にあるかをラベル付き検出する。 基準はアンサンブルも補助予測器も繰り返し推論も必要とせず、全体のコストは2.89Mであり、素の検出器よりも8.3%増加する。 PASCAL VOCとMS-COCOでは、選択されるラウンドごとに同じ検出器の後部を最大1.08%のmAP50で破り、0.02%から0.18%の偏差を走らせる。 実験では、比較基準で結果が報告される単段検出器を用いて、検出器の強度から選択決定が分離される。

関連論文リスト

• Generative Verification: Rethinking the Uncertainty Signal for Active Learning of Object Detection [14.738453379093961]
  生成検証において、独立生成モデルは、予測ボックス内の画素から検出されたラベルを再導出する。 交換された箱、背景の箱、間違ったラベルを持つ正しい箱は、すべて検証に失敗する作物を生み出します。 検証器は検出器の信頼性を決して観測しないため、確実な誤り検出が最高となる。
  論文  参考訳（メタデータ） (2026-07-28T20:10:23Z)
• Anticipating the Optimism Gap: Predicting Distribution-Shift Degradation of RF-Impairment Detectors from In-Distribution Statistics [0.0]
  電波障害の検知器は、通常、調整された分布で測定された単一のAUCで報告される。 アウト・オブ・ディストリビューション・データを見る前に、この楽観主義が予測できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-20T14:10:59Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• S4OD: Semi-Supervised learning for Single-Stage Object Detection [17.44592826610368]
  単段検出器は、極端に前景の階級不均衡に苦しむが、2段検出器は動かない。 半教師対象検出では、高品質な擬似ラベルのみを選択することで、2段階検出器が優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-04-09T15:19:37Z)
• UNICON: Combating Label Noise Through Uniform Selection and Contrastive Learning [89.56465237941013]
  UNICONは,高ラベル雑音に対して頑健な,シンプルで効果的なサンプル選択法である。 90%のノイズレートでCIFAR100データセットの最先端データよりも11.4%改善した。
  論文  参考訳（メタデータ） (2022-03-28T07:36:36Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• Reducing Label Noise in Anchor-Free Object Detection [12.397047191315966]
  現在のアンカーフリー物体検出器は、事前に定義された中央領域内に空間的に落下する全ての特徴を正としてラベル付けしている。 本研究では,アンカーフリー検出器のラベルノイズ低減を目的とした新しいラベリング手法を提案する。 我々は、トレーニング中にこのラベリング戦略と、推論中に同様の予測プール法を利用するために、新しいワンステージアンカーフリー物体検出器 PPDet を開発した。
  論文  参考訳（メタデータ） (2020-08-03T20:02:46Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)
• AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
  Auto COCOは、物体検出のためのアンカーフリー検出器である。 外観認識は、完全に微分可能な重み付け機構によって実現される。 我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
  論文  参考訳（メタデータ） (2020-07-07T14:32:21Z)

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。