論文の概要: Few-Shot Object Detection via Knowledge Transfer

• arxiv url: http://arxiv.org/abs/2008.12496v1
• Date: Fri, 28 Aug 2020 06:35:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 01:38:41.993139
• Title: Few-Shot Object Detection via Knowledge Transfer
• Title（参考訳）: 知識伝達による短距離物体検出
• Authors: Geonuk Kim, Hong-Gyu Jung, Seong-Whan Lee
• Abstract要約: オブジェクト検出の従来の方法は、通常かなりの量のトレーニングデータと注釈付きバウンディングボックスを必要とする。 本稿では,いくつかの学習例からオブジェクトを検出することを目的とした,知識伝達によるオブジェクト検出について紹介する。
• 参考スコア（独自算出の注目度）: 21.3564383157159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional methods for object detection usually require substantial amounts of training data and annotated bounding boxes. If there are only a few training data and annotations, the object detectors easily overfit and fail to generalize. It exposes the practical weakness of the object detectors. On the other hand, human can easily master new reasoning rules with only a few demonstrations using previously learned knowledge. In this paper, we introduce a few-shot object detection via knowledge transfer, which aims to detect objects from a few training examples. Central to our method is prototypical knowledge transfer with an attached meta-learner. The meta-learner takes support set images that include the few examples of the novel categories and base categories, and predicts prototypes that represent each category as a vector. Then, the prototypes reweight each RoI (Region-of-Interest) feature vector from a query image to remodels R-CNN predictor heads. To facilitate the remodeling process, we predict the prototypes under a graph structure, which propagates information of the correlated base categories to the novel categories with explicit guidance of prior knowledge that represents correlations among categories. Extensive experiments on the PASCAL VOC dataset verifies the effectiveness of the proposed method.
• Abstract（参考訳）: オブジェクト検出の従来の方法は、通常大量のトレーニングデータと注釈付きバウンディングボックスを必要とする。 わずかなトレーニングデータとアノテーションがなければ、オブジェクト検出器は簡単にオーバーフィットし、一般化に失敗する。 物体検出器の実用的弱点を露呈する。 一方、人間は事前学習した知識を使って、ほんの数回のデモンストレーションで新しい推論ルールを簡単に習得することができる。 本稿では,いくつかの学習例から物体を検出することを目的とした知識伝達による数発の物体検出を提案する。 この手法の中心はメタリーナーを付加した知識伝達の原型である。 メタラーナーは、新しいカテゴリとベースカテゴリのいくつかの例を含むサポートセットイメージを取得し、各カテゴリをベクトルとして表現するプロトタイプを予測する。 そして、プロトタイプはクエリ画像から各RoI特徴ベクトルを再重み付けし、R-CNN予測ヘッドをリモデリングする。 提案手法は, グラフ構造下でのプロトタイプを予測し, カテゴリ間の相関関係を表す事前知識の明示的なガイダンスを用いて, 関連するベースカテゴリの情報を新しいカテゴリに伝達する。 PASCAL VOCデータセットの大規模な実験により,提案手法の有効性が検証された。

関連論文リスト

• Few-Shot Object Detection with Sparse Context Transformers [37.106378859592965]
  少ないショット検出は、少ないラベル付きデータでトレーニングされたモデルを使用してオブジェクトをローカライズするパターン認識における主要なタスクである。 本稿では,ソース領域におけるオブジェクトの知識を効果的に活用し,対象領域内の少数のトレーニング画像からスパースコンテキストを自動的に学習する新しいスパースコンテキスト変換器を提案する。 提案手法を2つの難易度オブジェクト検出ベンチマークで評価し,提案手法が関連する最先端技術と比較して競合性能を得ることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2024-02-14T17:10:01Z)
• Spatial Reasoning for Few-Shot Object Detection [21.3564383157159]
  本稿では,空間的推論フレームワークを提案する。 グラフ畳み込みネットワークをRoIとその関連性はそれぞれノードとエッジとして定義する。 提案手法は最先端の手法を著しく上回り, 広範囲なアブレーション研究により有効性を検証する。
  論文  参考訳（メタデータ） (2022-11-02T12:38:08Z)
• 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)
• Few-Shot Object Detection: A Survey [4.266990593059534]
  オブジェクト検出は、ターゲットドメイン内の新しいカテゴリの少数のオブジェクトインスタンスから学ぶことを目的としている。 トレーニング手法とアーキテクチャレイアウトに応じてアプローチを分類する。 一般的なデータセットとその評価プロトコルを導入し,ベンチマーク結果を解析する。
  論文  参考訳（メタデータ） (2021-12-22T07:08:53Z)
• 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)
• Experience feedback using Representation Learning for Few-Shot Object Detection on Aerial Images [2.8560476609689185]
  大規模なリモートセンシング画像データセットであるDOTAを用いて,本手法の性能評価を行った。 特に、数発のオブジェクト検出タスクの固有の弱点を強調します。
  論文  参考訳（メタデータ） (2021-09-27T13:04:53Z)
• 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)
• 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)
• Closing the Generalization Gap in One-Shot Object Detection [92.82028853413516]
  強力な数ショット検出モデルの鍵は、高度なメトリック学習アプローチではなく、カテゴリの数をスケールすることにある。 将来的なデータアノテーションの取り組みは、より広範なデータセットに集中し、より多くのカテゴリにアノテートする必要がある。
  論文  参考訳（メタデータ） (2020-11-09T09:31:17Z)
• 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。