文献

J-GLOBAL ID：201902218159103568   整理番号：19A2400218

物体検出のためのクリック監視によるオブジェクトスケールの学習【JST・京大機械翻訳】

Learning Object Scale With Click Supervision for Object Detection

著者 (4件)： Zhang Liao (Fujian Key Laboratory of Sensing and Computing for Smart City, School of Informatics, Xiamen University, Xiamen, China) ,  Yan Yan (Fujian Key Laboratory of Sensing and Computing for Smart City, School of Informatics, Xiamen University, Xiamen, China) ,  Cheng Lin (Fujian Key Laboratory of Sensing and Computing for Smart City, School of Informatics, Xiamen University, Xiamen, China) ,  Wang Hanzi (Fujian Key Laboratory of Sensing and Computing for Smart City, School of Informatics, Xiamen University, Xiamen, China)
資料名： IEEE Signal Processing Letters  (IEEE Signal Processing Letters)
巻： 26  号： 11  ページ： 1618-1622  発行年： 2019年 
JST資料番号： W0576A  ISSN： 1070-9908  CODEN： ISPLEM  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 画像レベルアノテーションだけを必要とするので,弱く監督されたオブジェクト検出は最近注目を集めている。しかし,既存の方法によって得られた性能は,完全に監視されたオブジェクト検出法と比較して,まだ満足できるものではない。注釈コストとオブジェクト検出性能の間の良好なトレードオフを達成するために,著者らは,擬似グランドトルース(すなわち,境界ボックス)を生成するために,CNN可視化をクリック監視に組み込んだ単純で効果的な方法を提案した。これらの擬似グランドトルースは,完全に監視された検出器を訓練するために用いることができる。オブジェクトスケールを推定するために,著者らは最初に,高品質の提案を保存するために提案選択アルゴリズムを採用して,次に,提案したCNN可視化アルゴリズムによってこれらの保存された提案のためのクラス活性化マップ(CAM)を生成した。最後に,これらのCAMを一緒に融合し,擬似グランドトルースを生成し,これらのグランドトルースにより完全に監視されたオブジェクト検出器を訓練した。PASCAL VOC2007とVOC2012データセットに関する実験結果は,提案方法が最先端の画像レベルベースの方法と中心クリックベースの方法と比較して,対象スケールを推定するためにはるかに高い精度を得ることができることを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  画像 ,  アノテーション ,  検出器 ,  *可視化
準シソーラス用語： 高品質 ,  グランドトゥルース ,  物体検出 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 物体検出 ,  クリック ,  オブジェクト ,  スケール ,  学習