論文の概要: Object Instance Mining for Weakly Supervised Object Detection

• arxiv url: http://arxiv.org/abs/2002.01087v1
• Date: Tue, 4 Feb 2020 02:11:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 03:07:43.028673
• Title: Object Instance Mining for Weakly Supervised Object Detection
• Title（参考訳）: 弱監視対象検出のためのオブジェクトインスタンスマイニング
• Authors: Chenhao Lin, Siwen Wang, Dongqi Xu, Yu Lu, Wayne Zhang
• Abstract要約: 本稿では,オブジェクト検出の弱いエンドツーエンドのオブジェクトインスタンスマイニング(OIM)フレームワークを提案する。 OIMは、空間グラフと外観グラフに情報伝搬を導入することにより、各画像に存在する全ての可能なオブジェクトインスタンスを検知しようとする。 反復学習プロセスでは、同一クラスからの識別の少ないオブジェクトインスタンスを徐々に検出し、トレーニングに利用することができる。
• 参考スコア（独自算出の注目度）: 24.021995037282394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised object detection (WSOD) using only image-level annotations has attracted growing attention over the past few years. Existing approaches using multiple instance learning easily fall into local optima, because such mechanism tends to learn from the most discriminative object in an image for each category. Therefore, these methods suffer from missing object instances which degrade the performance of WSOD. To address this problem, this paper introduces an end-to-end object instance mining (OIM) framework for weakly supervised object detection. OIM attempts to detect all possible object instances existing in each image by introducing information propagation on the spatial and appearance graphs, without any additional annotations. During the iterative learning process, the less discriminative object instances from the same class can be gradually detected and utilized for training. In addition, we design an object instance reweighted loss to learn larger portion of each object instance to further improve the performance. The experimental results on two publicly available databases, VOC 2007 and 2012, demonstrate the efficacy of proposed approach.
• Abstract（参考訳）: 近年,画像レベルのアノテーションのみを用いたオブジェクト検出(WSOD)が注目されている。 複数のインスタンス学習を使用する既存のアプローチは、各カテゴリのイメージ内の最も識別的なオブジェクトから学ぶ傾向があるため、ローカルオプティマに容易に当てはまる。 したがって、これらのメソッドは、WSODのパフォーマンスを低下させるオブジェクトインスタンスの欠如に悩まされる。 この問題に対処するため,本論文では,オブジェクト検出の弱いエンドツーエンドのオブジェクトインスタンスマイニング(OIM)フレームワークを提案する。 oimは、追加のアノテーションなしで、空間および外観グラフに情報伝達を導入することで、各画像に存在するすべての可能なオブジェクトインスタンスの検出を試みる。 反復学習プロセスでは、同一クラスからの識別の少ないオブジェクトインスタンスを徐々に検出し、トレーニングに利用することができる。 さらに、各オブジェクトインスタンスのより大きな部分を学習し、パフォーマンスをさらに向上するために、オブジェクトインスタンスの再重み付け損失を設計する。 VOC 2007 と 2012 の2つの公開データベースの実験結果は,提案手法の有効性を実証している。

関連論文リスト

• Improving Object Detection via Local-global Contrastive Learning [27.660633883387753]
  本稿では,クロスドメインオブジェクト検出を対象とする画像から画像への変換手法を提案する。 ローカル・グローバル情報と対比することでオブジェクトを表現することを学ぶ。 これにより、ドメインシフトの下で、パフォーマンス検出(Performant detection)の取得という、未調査の課題の調査が可能になる。
  論文  参考訳（メタデータ） (2024-10-07T14:18:32Z)
• Few-shot Oriented Object Detection with Memorable Contrastive Learning in Remote Sensing Images [11.217630579076237]
  リモートセンシングの分野では、FSOD(Few-shot Object Detection)が注目されている。 本稿では,Few-shot Oriented Object Detection with Memorable Contrastive Learning (FOMC) という,リモートセンシングのための新しいFSOD法を提案する。 具体的には、従来の水平有界ボックスの代わりに指向的有界ボックスを用いて、任意指向の空中オブジェクトのより優れた特徴表現を学習する。
  論文  参考訳（メタデータ） (2024-03-20T08:15:18Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Image Segmentation-based Unsupervised Multiple Objects Discovery [1.7674345486888503]
  教師なしオブジェクト発見は、イメージ内のオブジェクトをローカライズすることを目的としている。 我々は,複数のオブジェクトの発見に対して,完全に教師なしのボトムアップアプローチを提案する。 我々は、教師なしクラス非依存オブジェクト検出と教師なしイメージセグメンテーションの両方に対して、最先端の結果を提供する。
  論文  参考訳（メタデータ） (2022-12-20T09:48:24Z)
• Object Discovery via Contrastive Learning for Weakly Supervised Object Detection [12.822548027334328]
  Weakly Supervised Object Detectionは、画像レベルのアノテーションのみに基づいてトレーニングされたモデルを使用して、画像内のオブジェクトを検出するタスクである。 本稿では,オブジェクト発見と呼ばれる新しい複数インスタンスラベリング手法を提案する。 我々は,MS-COCO 2014 と 2017 と PASCAL VOC 2012 と,PASCAL VOC 2007 の競争結果を得た。
  論文  参考訳（メタデータ） (2022-08-16T07:36:12Z)
• Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
  一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。 本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
  論文  参考訳（メタデータ） (2021-12-21T17:10:21Z)
• Discovery-and-Selection: Towards Optimal Multiple Instance Learning for Weakly Supervised Object Detection [86.86602297364826]
  複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。 我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
  論文  参考訳（メタデータ） (2021-10-18T07:06:57Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
  画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。 提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。 本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
  論文  参考訳（メタデータ） (2020-07-03T18:23:39Z)

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。