Penalizing Proposals using Classifiers for Semi-Supervised Object Detection

要約

オブジェクト検出のためにゴールドスタンダードの注釈付きデータを取得することは、多くの場合、コストがかかり、人間レベルの努力を伴います。
半教師ありオブジェクト検出アルゴリズムは、少量のゴールドスタンダードラベルと、シルバースタンダードラベルの生成に使用される大きなラベルなしデータセットで問題を解決します。
ただし、シルバーの標準ラベルは機械で生成された注釈であるため、トレーニングしても良い結果は得られません。
この作業では、弱いアノテーターによって生成された大きな銀本位制の注釈付きセットでトレーニングするために、修正された損失関数を設計します。
注釈に関連付けられた信頼度メトリックを損失関数の追加の用語として含め、注釈の品質を示します。
さまざまなテストセットでアプローチの有効性をテストし、さまざまなバリエーションを使用して、オブジェクト検出の現在のアプローチのいくつかと結果を比較します。
信頼性メトリックが使用されていないベースラインと比較して、提案された信頼性メトリックを使用することにより、25％のラベル付きデータでmAPで4％のゲイン、50％のラベル付きデータでmAPで10％のゲインを達成しました。

要約(オリジナル)

Obtaining gold standard annotated data for object detection is often costly, involving human-level effort. Semi-supervised object detection algorithms solve the problem with a small amount of gold-standard labels and a large unlabelled dataset used to generate silver-standard labels. But training on the silver standard labels does not produce good results, because they are machine-generated annotations. In this work, we design a modified loss function to train on large silver standard annotated sets generated by a weak annotator. We include a confidence metric associated with the annotation as an additional term in the loss function, signifying the quality of the annotation. We test the effectiveness of our approach on various test sets and use numerous variations to compare the results with some of the current approaches to object detection. In comparison with the baseline where no confidence metric is used, we achieved a 4% gain in mAP with 25% labeled data and 10% gain in mAP with 50% labeled data by using the proposed confidence metric.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google