論文の概要: A Few-Shot Sequential Approach for Object Counting

• arxiv url: http://arxiv.org/abs/2007.01899v2
• Date: Tue, 7 Jul 2020 20:11:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 04:54:02.520278
• Title: A Few-Shot Sequential Approach for Object Counting
• Title（参考訳）: オブジェクトカウントのための数発逐次アプローチ
• Authors: Negin Sokhandan, Pegah Kamousi, Alejandro Posada, Eniola Alese, Negar Rostamzadeh
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.82757025821265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we address the problem of few-shot multi-class object counting with point-level annotations. The proposed technique leverages a class agnostic attention mechanism that sequentially attends to objects in the image and extracts their relevant features. This process is employed on an adapted prototypical-based few-shot approach that uses the extracted features to classify each one either as one of the classes present in the support set images or as background. The proposed technique is trained on point-level annotations and uses a novel loss function that disentangles class-dependent and class-agnostic aspects of the model to help with the task of few-shot object counting. We present our results on a variety of object-counting/detection datasets, including FSOD and MS COCO. In addition, we introduce a new dataset that is specifically designed for weakly supervised multi-class object counting/detection and contains considerably different classes and distribution of number of classes/instances per image compared to the existing datasets. We demonstrate the robustness of our approach by testing our system on a totally different distribution of classes from what it has been trained on.
• Abstract（参考訳）: そこで本研究では,ポイントレベルのアノテーションを用いたマルチクラスオブジェクトカウントの問題に対処する。 提案手法は,画像中のオブジェクトに逐次出席し,関連する特徴を抽出する,クラス非依存の注意機構を利用する。 このプロセスは、抽出された特徴を用いてそれぞれを、サポートセットイメージに存在するクラスまたは背景として分類する、プロトティピカルベースのマイノショットアプローチに適応されている。 提案手法はポイントレベルのアノテーションに基づいて訓練され,クラスに依存しない,クラスに依存しない新しい損失関数を用いて,少数ショットオブジェクトのカウント作業を支援する。 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。 さらに, 弱教師付きマルチクラスオブジェクトのカウント/検出用に特別に設計された新しいデータセットを導入し, 既存のデータセットと比較して, 画像毎にかなり異なるクラスとクラス/インスタンス数の分布を含む。 トレーニング対象とは全く異なるクラス分布上で,システムをテストすることで,我々のアプローチの堅牢性を示す。

関連論文リスト

• Zero-Shot Object Counting with Language-Vision Models [50.1159882903028]
  クラスに依存しないオブジェクトカウントは、テスト時に任意のクラスのオブジェクトインスタンスをカウントすることを目的としている。 現在の手法では、新しいカテゴリではしばしば利用できない入力として、人間に注釈をつけた模範を必要とする。 テスト期間中にクラス名のみを利用できる新しい設定であるゼロショットオブジェクトカウント(ZSC)を提案する。
  論文  参考訳（メタデータ） (2023-09-22T14:48:42Z)
• Learning from Pseudo-labeled Segmentation for Multi-Class Object Counting [35.652092907690694]
  CAC(Class-Agnostic counting)は、様々な領域にまたがる多くの潜在的な応用がある。 目標は、いくつかの注釈付き例に基づいて、テスト中に任意のカテゴリのオブジェクトを数えることである。 擬似ラベルマスクを用いて学習したセグメンテーションモデルは、任意のマルチクラス画像に対して効果的に対象をローカライズできることを示す。
  論文  参考訳（メタデータ） (2023-07-15T01:33:19Z)
• Disambiguation of One-Shot Visual Classification Tasks: A Simplex-Based Approach [8.436437583394998]
  本稿では,複数の物体の存在を検出するための戦略を提案する。 この戦略は、高次元空間における単純体の角を識別することに基づいている。 提案手法は,極端設定における精度をわずかながら統計的に向上させる能力を示す。
  論文  参考訳（メタデータ） (2023-01-16T11:37:05Z)
• A Study on Representation Transfer for Few-Shot Learning [5.717951523323085]
  ほとんどショットの分類は、いくつかのラベル付き例を使って、新しいオブジェクトカテゴリを適切に分類することを目的としていない。 本研究では, 様々な特徴表現の体系的研究を行い, 数発の分類を行う。 より複雑なタスクからの学習は、数ショットの分類においてより良い表現を与える傾向にある。
  論文  参考訳（メタデータ） (2022-09-05T17:56:02Z)
• 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)
• Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
  Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。 本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:46:41Z)
• Meta Faster R-CNN: Towards Accurate Few-Shot Object Detection with Attentive Feature Alignment [33.446875089255876]
  Few-shot Object Detection (FSOD) は、少数の例でオブジェクトを検出することを目的としている。 本稿では,データ不足ベースクラスから学習したメタ知識を新しいクラスに転送することで,メタラーニングに基づくマイショットオブジェクト検出手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T19:01:27Z)
• Multi-scale Adaptive Task Attention Network for Few-Shot Learning [5.861206243996454]
  少数ショット学習の目標は、ラベル付きサンプルの少ない未確認カテゴリを分類することである。 本稿では,マルチスケール適応タスク注意ネットワーク(MATANet)を提案する。
  論文  参考訳（メタデータ） (2020-11-30T00:36:01Z)
• Saliency-driven Class Impressions for Feature Visualization of Deep Neural Networks [55.11806035788036]
  分類に欠かせないと思われる特徴を視覚化することは有利である。 既存の可視化手法は,背景特徴と前景特徴の両方からなる高信頼画像を生成する。 本研究では,あるタスクにおいて最も重要であると考えられる識別的特徴を可視化するための,サリエンシ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-31T06:11:06Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)

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。