Core Concepts
本論文では、複雑なデータセットに適用可能な半教師あり学習手法SemiPLを提案し、既存手法SSPL[13]の性能を向上させた。
Abstract
本論文では以下の取り組みを行った:
既存のSSPL[13]モデルをより複雑なChaoticWorld[20]データセットに適用し、パラメータチューニングの影響を分析した。
半教師あり学習手法SemiPLを提案した。SemiPLは、教師あり損失と教師なし損失を組み合わせることで、少量の教師データと大量の非教師データを有効活用する。
実験の結果、SemiPLはChaoticWorld[20]データセットにおいて、SSPL[13]と比べて12.2%のcIoU改善と0.56%のAUC改善を達成した。
定性的な分析から、複雑なシーンではSSPL[13]が対象物を見落とす傾向があるが、単純なシーンでは背景の不要な領域も検出してしまう。一方、SemiPLは性能が劣るものの、より正確な位置推定を行えることが示された。
パラメータチューニングの結果、学習率の調整が重要であり、バッチサイズを大きくすることで性能が向上することが分かった。
Stats
複雑なシーンでは、SSPLモデルが対象物を見落とす傾向がある。
単純なシーンでは、SSPLモデルが背景の不要な領域も検出してしまう。
SemiPLモデルは性能が劣るものの、より正確な位置推定を行えることが示された。
バッチサイズを128に、学習率を3e-5に設定することで、最良の結果が得られた。
Quotes
"複雑なシーンでは、モデルが対象物を見落とす傾向がある。"
"単純なシーンでは、モデルが背景の不要な領域も検出してしまう。"
"SemiPLモデルは性能が劣るものの、より正確な位置推定を行えることが示された。"