Sparse Generation: Making Pseudo Labels Sparse for Point Weakly Supervised Object Detection on Low Data Volume

要約

点の弱教師オブジェクト検出のための既存の擬似ラベル生成方法は、データ量が少なく高密度のオブジェクト検出タスクには不十分です。
我々は、弱教師付き擬似ラベルの生成をモデルのスパース出力と考え、擬似ラベルをスパースにするソリューションとしてスパース生成を提案します。
この方法では、3 つの処理段階 (マッピング、マスク、回帰) を採用し、データと検出器モデルの間の関係を通じて密なテンソルを構築し、その 3 つのパラメーターを最適化し、疎なテンソルを取得します。これにより、間接的に高品質の疑似ラベルが取得され、モデルの問題に対処します。
データ量が少ない場合の密度の問題。
さらに、インスタンスで予測が外れた場合に、より合理的な疑似ボックスを提供するパースペクティブベースのマッチングを提案します。
SOTA 法と比較して、4 つのデータセット (MS COCO-val、RSOD、SIMD、Bullet-Hole) における実験結果は、顕著な利点を示しました。

要約(オリジナル)

Existing pseudo label generation methods for point weakly supervised object detection are inadequate in low data volume and dense object detection tasks. We consider the generation of weakly supervised pseudo labels as the model’s sparse output, and propose Sparse Generation as a solution to make pseudo labels sparse. The method employs three processing stages (Mapping, Mask, Regression), constructs dense tensors through the relationship between data and detector model, optimizes three of its parameters, and obtains a sparse tensor, thereby indirectly obtaining higher quality pseudo labels, and addresses the model’s density problem on low data volume. Additionally, we propose perspective-based matching, which provides more rational pseudo boxes for prediction missed on instances. In comparison to the SOTA method, on four datasets (MS COCO-val, RSOD, SIMD, Bullet-Hole), the experimental results demonstrated a significant advantage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google