論文の概要: RODEO: Replay for Online Object Detection
- arxiv url: http://arxiv.org/abs/2008.06439v1
- Date: Fri, 14 Aug 2020 16:03:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 17:03:08.133410
- Title: RODEO: Replay for Online Object Detection
- Title(参考訳): RODEO:オンラインオブジェクト検出のためのリプレイ
- Authors: Manoj Acharya, Tyler L. Hayes, Christopher Kanan
- Abstract要約: 本稿では,オブジェクト検出のためのオンラインストリーミング学習の先駆者となる。
従来とは違って,本論文で紹介したシステムでは,時間とともに新たなクラスが導入された上で,このタスクをオンラインで学習することができる。
PASCAL VOC 2007 と MS COCO の両データセットから最先端の成果を得た。
- 参考スコア(独自算出の注目度): 38.71423065635437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humans can incrementally learn to do new visual detection tasks, which is a
huge challenge for today's computer vision systems. Incrementally trained deep
learning models lack backwards transfer to previously seen classes and suffer
from a phenomenon known as $"catastrophic forgetting."$ In this paper, we
pioneer online streaming learning for object detection, where an agent must
learn examples one at a time with severe memory and computational constraints.
In object detection, a system must output all bounding boxes for an image with
the correct label. Unlike earlier work, the system described in this paper can
learn this task in an online manner with new classes being introduced over
time. We achieve this capability by using a novel memory replay mechanism that
efficiently replays entire scenes. We achieve state-of-the-art results on both
the PASCAL VOC 2007 and MS COCO datasets.
- Abstract(参考訳): 人間が新しい視覚検出タスクを段階的に学習することは、今日のコンピュータビジョンシステムにとって大きな課題だ。
本稿では、オブジェクト検出のためのオンラインストリーミング学習の先駆者であり、エージェントは厳しい記憶と計算上の制約を伴って、一度に1つの例を学習しなければならない。
オブジェクト検出では、システムは正しいラベルを持つ画像のすべてのバウンディングボックスを出力する必要がある。
従来とは違って,本論文で紹介したシステムでは,時間とともに新たなクラスが導入された上で,このタスクをオンラインで学習することができる。
シーン全体を効率よく再生する新しいメモリ再生機構を使用することで、この機能を実現する。
PASCAL VOC 2007 と MS COCO の両データセットから最先端の成果を得た。
関連論文リスト
- Look-Ahead Selective Plasticity for Continual Learning of Visual Tasks [9.82510084910641]
タスク境界において,タスクが終了し,他のタスク開始時に発生する新しいメカニズムを提案する。
CIFAR10やTinyImagenetなどのコンピュータビジョンデータセットのベンチマークで提案手法を評価する。
論文 参考訳(メタデータ) (2023-11-02T22:00:23Z) - Offline Experience Replay for Continual Offline Reinforcement Learning [18.744638194399446]
エージェントには、事前にコンパイルされたオフラインデータセットのシーケンスを通じて、新たなスキルを継続的に学習することが望ましい。
本稿では、エージェントが一連のオフライン強化学習タスクを学習する、新しい設定である連続オフライン強化学習(CORL)を定式化する。
本稿では,リプレイバッファを構築するためのモデルベースエクスペリエンス選択手法を提案する。
論文 参考訳(メタデータ) (2023-05-23T08:16:44Z) - Resolving Copycat Problems in Visual Imitation Learning via Residual
Action Prediction [10.275717930942989]
観察履歴の模倣は, 最新の観察結果の模倣よりも悪い結果が得られた。
本稿では,この課題に対処しない,新しい模倣学習ニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-07-20T07:15:32Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-05T14:15:49Z) - Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。
境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。
実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
論文 参考訳(メタデータ) (2021-02-16T17:58:57Z) - Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。
RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
論文 参考訳(メタデータ) (2020-11-19T18:47:40Z) - CrossTransformers: spatially-aware few-shot transfer [92.33252608837947]
非常に少ないデータを持つ新しいタスクを考えると、現代の視覚システムは驚くほど急速に低下する。
現代の視覚システムを支えるニューラルネットワーク表現が、どのようにして監督の崩壊にさらされているかを示す。
そこで我々は,伝達を良くする汎用的な機能を促進するために,自己指導型学習を提案する。
論文 参考訳(メタデータ) (2020-07-22T15:37:08Z) - Incremental Learning In Online Scenario [8.885829189810197]
現在の最先端の漸進的な学習手法では、新しいクラスが追加されるたびにモデルをトレーニングするのに長い時間がかかる。
本稿では,挑戦的なオンライン学習シナリオで機能するインクリメンタルラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-30T02:24:26Z) - Online Continual Learning on Sequences [9.603184477806954]
オンライン連続学習(オンライン連続学習、英: Online Continuousal Learning、OCL)とは、トレーニングサンプルを再考することなく、連続したデータストリームから時間とともに学習できるシステムである。
OCLに対処する機械学習モデルは、新しい入力ストリームから学習する際に、隠れた表現が破壊されるか、完全に上書きされるような、テキスト触媒的忘れを軽減する必要がある。
論文 参考訳(メタデータ) (2020-03-20T05:49:31Z) - Incremental Object Detection via Meta-Learning [77.55310507917012]
本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。
既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
論文 参考訳(メタデータ) (2020-03-17T13:40:00Z)
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。