論文の概要: Any-Shot Object Detection

• arxiv url: http://arxiv.org/abs/2003.07003v1
• Date: Mon, 16 Mar 2020 03:43:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 03:23:23.854659
• Title: Any-Shot Object Detection
• Title（参考訳）: Any-Shotオブジェクト検出
• Authors: Shafin Rahman and Salman Khan and Nick Barnes and Fahad Shahbaz Khan
• Abstract要約: 「アニーショット検出」とは、全く見えず、数発のカテゴリが推論中に同時に共起できる場所である。 我々は、ゼロショットと少数ショットの両方のオブジェクトクラスを同時に検出できる、統合された任意のショット検出モデルを提案する。 我々のフレームワークは、ゼロショット検出とFewショット検出タスクにのみ使用できる。
• 参考スコア（独自算出の注目度）: 81.88153407655334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Previous work on novel object detection considers zero or few-shot settings where none or few examples of each category are available for training. In real world scenarios, it is less practical to expect that 'all' the novel classes are either unseen or {have} few-examples. Here, we propose a more realistic setting termed 'Any-shot detection', where totally unseen and few-shot categories can simultaneously co-occur during inference. Any-shot detection offers unique challenges compared to conventional novel object detection such as, a high imbalance between unseen, few-shot and seen object classes, susceptibility to forget base-training while learning novel classes and distinguishing novel classes from the background. To address these challenges, we propose a unified any-shot detection model, that can concurrently learn to detect both zero-shot and few-shot object classes. Our core idea is to use class semantics as prototypes for object detection, a formulation that naturally minimizes knowledge forgetting and mitigates the class-imbalance in the label space. Besides, we propose a rebalanced loss function that emphasizes difficult few-shot cases but avoids overfitting on the novel classes to allow detection of totally unseen classes. Without bells and whistles, our framework can also be used solely for Zero-shot detection and Few-shot detection tasks. We report extensive experiments on Pascal VOC and MS-COCO datasets where our approach is shown to provide significant improvements.
• Abstract（参考訳）: 新規なオブジェクト検出に関する以前の作業では、各カテゴリのサンプルがトレーニングに利用できないゼロまたはマイショットの設定が検討されている。 現実のシナリオでは、すべての'すべての'新しいクラスが目に見えないか、または'have'の少数例であることを期待するのは現実的ではない。 ここでは、全く見えず、少数のカテゴリが推論中に同時に一致するような、より現実的な「Any-shot Detection」を提案する。 any-shot検出は、目立たない、少ない、見られているオブジェクトクラスと高い不均衡、新しいクラスを学習しながらベーストレーニングを忘れやすく、背景から新しいクラスを区別するなど、従来の新しいオブジェクト検出と比較して、ユニークな課題を提供する。 これらの課題に対処するために,ゼロショットとマイショットの両方のオブジェクトクラスを同時検出できる統一any-shot検出モデルを提案する。 私たちの中核となる考え方は、オブジェクト検出のプロトタイプとしてクラスセマンティクスを使用することです。 さらに,難易度に重きを置く再均衡損失関数を提案するが,全く見えないクラスを検出できるような新しいクラスへの過度な適合は避ける。 ベルとホイッスルがなければ、我々のフレームワークはゼロショット検出とFewショット検出タスクにのみ使用できる。 我々は,Pascal VOCおよびMS-COCOデータセットに関する広範な実験を行い,本手法が大きな改善をもたらすことを示した。

関連論文リスト

• Incremental-DETR: Incremental Few-Shot Object Detection via Self-Supervised Learning [60.64535309016623]
  本稿では,DeTRオブジェクト検出器上での微調整および自己教師型学習によるインクリメンタル・デクリメンタル・デクリメンタル・デクリメンタル・オブジェクト検出を提案する。 まず,DeTRのクラス固有のコンポーネントを自己監督で微調整する。 さらに,DeTRのクラス固有のコンポーネントに知識蒸留を施した数発の微調整戦略を導入し,破滅的な忘れを伴わずに新しいクラスを検出するネットワークを奨励する。
  論文  参考訳（メタデータ） (2022-05-09T05:08:08Z)
• Bridging Non Co-occurrence with Unlabeled In-the-wild Data for Incremental Object Detection [56.22467011292147]
  物体検出における破滅的忘れを緩和するために,いくつかの漸進的学習法が提案されている。 有効性にもかかわらず、これらの手法は新規クラスのトレーニングデータにラベルのないベースクラスの共起を必要とする。 そこで本研究では,新たな授業の訓練において,欠落した基本クラスが原因で生じる非発生を補うために,未ラベルのインザ・ザ・ワイルドデータを使用することを提案する。
  論文  参考訳（メタデータ） (2021-10-28T10:57:25Z)
• Generalized Few-Shot Object Detection without Forgetting [17.719042946397487]
  本稿では,単純だが有効であるR-CNN(Retentive R-CNN)を提案する。 Bias-Balanced RPN は、事前訓練された RPN と Re-detector からなり、過去の知識を忘れずに、ほとんどショットのクラスオブジェクトを見つける。 我々のアプローチは、長年望まれていなかった学習者がオブジェクト検出で利用できることを示した。
  論文  参考訳（メタデータ） (2021-05-20T03:25:29Z)
• Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
  少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。 本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。 提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-25T22:34:16Z)
• Incrementally Zero-Shot Detection by an Extreme Value Analyzer [0.0]
  本稿では,実世界の物体検出におけるゼロショット学習とクラスインクリメンタル学習の両方のための新しい戦略を提案する。 本稿では,新しい極値解析器を提案し,古い見え方,新しい見え方,見えないクラスからオブジェクトを同時に検出する。 実験では, 対象物の検出におけるモデルの有効性を実証し, Pascal VOCおよびMSCOCOデータセット上での代替モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-23T15:06:30Z)
• Restoring Negative Information in Few-Shot Object Detection [27.876368807936732]
  近年,ディープラーニング分野における新たな課題として,ショット学習が登場している。 本稿では, 否定的, 肯定的, 肯定的, 肯定的, 否定的, 肯定的, 肯定的, 否定的, 肯定的となる新しい推論手法を提案する。 提案手法は,最先端の複数ショット検出ソリューションを大幅に改善する。
  論文  参考訳（メタデータ） (2020-10-22T13:39:48Z)
• StarNet: towards Weakly Supervised Few-Shot Object Detection [87.80771067891418]
  本稿では、終端から終端までの識別可能な非パラメトリック星モデル検出と分類ヘッドを特徴とする数ショットモデルであるStarNetを紹介する。 このヘッドを通じて、バックボーンは画像レベルのラベルのみを使用してメタトレーニングされ、これまで目に見えないいくつかのテストタスクのカテゴリを共同でローカライズおよび分類するための優れた機能を生成する。 数発の検知器であるため、StarNetは事前トレーニングや新しいクラス適応のためのバウンディングボックスアノテーションを一切必要としない。
  論文  参考訳（メタデータ） (2020-03-15T11:35:28Z)
• Incremental Few-Shot Object Detection [96.02543873402813]
  OpeN-ended Centre nEtは、いくつかの例でクラスオブジェクトの検出を漸進的に学習する検出器である。 ONCEはインクリメンタルな学習パラダイムを十分に尊重しており、新しいクラス登録では、数発のトレーニングサンプルを1回だけフォワードパスするだけでよい。
  論文  参考訳（メタデータ） (2020-03-10T12:56:59Z)

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。