論文の概要: Concentration, Not Uncertainty: Why Targeted Synthetic Data Doesn't Help Camouflaged Object Detection

• arxiv url: http://arxiv.org/abs/2610.09807v1
• Date: Wed, 07 Oct 2026 10:27:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.855356
• Title: Concentration, Not Uncertainty: Why Targeted Synthetic Data Doesn't Help Camouflaged Object Detection
• Title（参考訳）: 濃度、不確実性:なぜ目的の合成データがカモフラージュされた物体検出に役に立たないのか
• Abstract要約: 固定世代予算の下では、どの実画像領域が合成データ生成を対象とするかは定かではない。 本研究では,非衝突の実像をクラスタリングする不確実性誘導型生成戦略について検討する。 通常のオーバーラップチェックではオーバーラップしないが,トレーニングデータから76枚のうち50枚を複製した。
• 参考スコア（独自算出の注目度）: 1.5849677896402283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Camouflaged object detection requires pixel-accurate masks, but obtaining such annotations is slow and costly, making synthetic training images an attractive alternative. Under a fixed generation budget, however, it remains unclear which real-image regions to target for synthetic data generation. We study an uncertainty-guided generation strategy that clusters the unlabelled real images, identifies clusters on which the model is least certain, allocates synthetic generation toward those clusters, and iteratively retrains the model. Across 103 training runs, uncertainty-based targeting does not outperform random allocation. Five independent controls further show that this null result is not an artifact: targeted training sets are measurably different from random sets, but the difference is explained by concentrating the generation budget rather than by where uncertainty is concentrated, as every concentration rule we test reproduces the effect and, on boundary accuracy, so does aiming at the clusters the model was most certain about. Separately, we find substantial data contamination in CHAMELEON, with 50 of its 76 images duplicated from training data despite the standard overlap check reporting zero overlap. Together, these results show that, under a fixed synthetic-data budget, budget concentration, not uncertainty-based targeting, accounts for the observed training-set effects.
• Abstract（参考訳）: カモフラージュされた物体検出にはピクセル精度のマスクが必要であるが、そのようなアノテーションの取得は遅くてコストがかかるため、合成トレーニング画像が魅力的な代替手段となる。 しかし、固定世代予算の下では、どの実像領域が合成データ生成を対象とするかは定かではない。 そこで本研究では,非競合な実画像のクラスタ化,モデルが確実でないクラスタの識別,それらのクラスタに対して合成生成を割り当て,反復的にモデルを再訓練する不確実性誘導生成戦略について検討する。 103回のトレーニングでは、不確実性ベースのターゲティングはランダムなアロケーションを上回っない。 5つの独立した制御は、このヌル結果がアーティファクトではないことをさらに示している: 対象のトレーニングセットはランダムな集合と測定的に異なるが、この差は、不確実性が集中している場所ではなく、生成予算を集中させることによって説明される。 一方,CHAMELEONでは,標準オーバーラップチェックではオーバーラップを報告せず,トレーニングデータから76画像のうち50画像が複製されている。 これらの結果は, 定型合成データ予算の下では, 不確実性に基づくターゲティングではなく, 予算集中が, 観測されたトレーニングセットの効果を考慮していることを示している。

関連論文リスト

• Limitations of Synthetic Data Generation in Specialized Data-Scarce Domains [11.861117372710714]
  この研究は、画像が一般的な画像データセットと大きく異なる領域に焦点を合わせ、追加のデータを取得するのにコストがかかる。 生成スパースデータ拡張の2つの流派による下流性能改善の評価を行った。 5つのトラウマ分類課題において, 有意な非生成基線を常に上回る生成的アプローチは存在しない。
  論文  参考訳（メタデータ） (2026-08-13T19:43:31Z)
• You Only Erase Once: Erasing Anything without Bringing Unexpected Content [51.927496399405676]
  よえお(よえお)は、不要な物や人工物なしで高品質な消去結果を生み出すオブジェクト消去のアプローチである。 我々は,大規模な実世界の画像のみを含む未ペアデータ上でオブジェクト消去拡散モデルを訓練することにより,この目標を達成する。 より効率的なトレーニングと推論を可能にするため、数段階の消去拡散モデルの訓練に拡散蒸留法を用いる。
  論文  参考訳（メタデータ） (2026-03-29T09:42:57Z)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• Exploring Aleatoric Uncertainty in Object Detection via Vision Foundation Models [46.71709927361625]
  本稿では,視覚基盤モデルを用いた物体検出データに固有の不確実性をモデル化し,活用することを提案する。 我々は、物体の特徴の混合ガウス構造を仮定し、データの不確実性を定量化するためにマハラノビス距離に基づく測度を考案する。 推定されたアレータリック不確実性はデータセットのアノテーションの余分なレベルとして機能し、任意のモデルでプラグイン・アンド・プレイ方式で利用することができる。
  論文  参考訳（メタデータ） (2024-11-26T07:14:30Z)
• 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)
• Counterfactual Image Generation for adversarially robust and interpretable Classifiers [1.3859669037499769]
  本稿では,GAN(Generative Adrial Networks)を基盤として,画像から画像への変換を利用した統合フレームワークを提案する。 これは、分類器と識別器を1つのモデルに組み合わせて、実際の画像をそれぞれのクラスに属性付け、生成されたイメージを「フェイク」として生成することで達成される。 モデルが敵攻撃に対するロバスト性の向上を示すことを示すとともに,判別器の「フェイクネス」値が予測の不確かさの指標となることを示す。
  論文  参考訳（メタデータ） (2023-10-01T18:50:29Z)
• Sampling-based Uncertainty Estimation for an Instance Segmentation Network [8.772859218496244]
  機械学習(ML)モデルの予測の不確かさが注目されている。 この目的のために使用される不確実性モデリング手法の1つはモンテカルロ・ドロープアウトであり、単一の入力に対して繰り返し予測が生成される。 この記事では、ベイジアン・ガウス混合(BGM)を用いてこの問題を解決する。 さらに、各インスタンスの最も正確な不確実性近似を得るために、Mask-RCNNモデルに統合した焦点損失やキャリブレーションなど、ドロップアウト率と他の手法の異なる値について検討する。
  論文  参考訳（メタデータ） (2023-05-24T10:12:50Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Self-Paced Uncertainty Estimation for One-shot Person Re-Identification [9.17071384578203]
  本稿では,単発人物の自己ペース不確実性推定ネットワーク(spue-net)を提案する。 自己ペースサンプリング戦略を導入することで,ラベルなしサンプルの擬似ラベルを反復的に推定し,ラベル付きサンプルを拡張できる。 さらに,局所不確実性推定と決定性推定を併用した協調学習手法を適用し,より優れた隠れ空間特徴抽出を実現する。
  論文  参考訳（メタデータ） (2021-04-19T09:20:30Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。