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

• Online Learning via Memory: Retrieval-Augmented Detector Adaptation [7.391039875214243]
  本稿では,任意の既製の物体検出モデルを,検出器モデルを再学習することなく,新しい領域に適応する方法を提案する。 人間が新しい主題(例えば記憶)の知識を素早く習得する方法(例えば記憶)にインスパイアされた私たちは、テスト期間中に、同様の物体の概念を記憶から探すことを可能にした。
  論文  参考訳（メタデータ） (2024-09-16T20:40:26Z)
• Replay Consolidation with Label Propagation for Continual Object Detection [7.454468349023651]
  オブジェクト検出のための連続学習は、分類のためのCLに比べてさらに困難である。 CLODでは、以前のタスクからのイメージには、将来のタスクでラベル付けされた未知のクラスが含まれている可能性がある。 本稿では,オブジェクト検出のためのラベル伝搬を用いたリプレイ統合(Replay Consolidation with Label Propagation)という,CLODを解く新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-09T14:16:27Z)
• Learning Object-Centric Representation via Reverse Hierarchy Guidance [73.05170419085796]
  OCL(Object-Centric Learning)は、ニューラルネットワークが視覚的なシーンで個々のオブジェクトを識別できるようにする。 RHGNetは、トレーニングと推論プロセスにおいて、さまざまな方法で機能するトップダウンパスを導入している。 我々のモデルは、よく使われる複数のデータセット上でSOTA性能を達成する。
  論文  参考訳（メタデータ） (2024-05-17T07:48:27Z)
• 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)
• 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)
• 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)

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。