論文の概要: Restoring Negative Information in Few-Shot Object Detection
- arxiv url: http://arxiv.org/abs/2010.11714v2
- Date: Mon, 26 Oct 2020 03:33:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 05:23:00.035800
- Title: Restoring Negative Information in Few-Shot Object Detection
- Title（参考訳）: Few-Shotオブジェクト検出における否定情報の復元
- Authors: Yukuan Yang, Fangyun Wei, Miaojing Shi, Guoqi Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 27.876368807936732
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-shot learning has recently emerged as a new challenge in the deep
learning field: unlike conventional methods that train the deep neural networks
(DNNs) with a large number of labeled data, it asks for the generalization of
DNNs on new classes with few annotated samples. Recent advances in few-shot
learning mainly focus on image classification while in this paper we focus on
object detection. The initial explorations in few-shot object detection tend to
simulate a classification scenario by using the positive proposals in images
with respect to certain object class while discarding the negative proposals of
that class. Negatives, especially hard negatives, however, are essential to the
embedding space learning in few-shot object detection. In this paper, we
restore the negative information in few-shot object detection by introducing a
new negative- and positive-representative based metric learning framework and a
new inference scheme with negative and positive representatives. We build our
work on a recent few-shot pipeline RepMet with several new modules to encode
negative information for both training and testing. Extensive experiments on
ImageNet-LOC and PASCAL VOC show our method substantially improves the
state-of-the-art few-shot object detection solutions. Our code is available at
https://github.com/yang-yk/NP-RepMet.
- Abstract（参考訳）: 多数のラベル付きデータでディープニューラルネットワーク(DNN)をトレーニングする従来の方法とは異なり、アノテーション付きのサンプルがほとんどない新しいクラスでのDNNの一般化を求める。
近年,画像分類に焦点が当てられているが,本論文では物体検出に焦点をあてる。
少数ショットオブジェクト検出における初期探索は、特定のオブジェクトクラスに対する画像内の肯定的な提案を用いて分類シナリオをシミュレートし、そのクラスの否定的な提案を破棄する傾向がある。
しかし、陰性、特に強陰性は、数発の物体検出における埋め込み空間学習に不可欠である。
本稿では,新しい負および正の表現型メトリック学習フレームワークと,負と正の表現を持つ新しい推論手法を導入することにより,少数ショットオブジェクト検出における負の情報を復元する。
私たちは、トレーニングとテストの両方に負の情報をエンコードする、いくつかの新しいモジュールでリメットした、最近の数ショットパイプラインで作業を構築しています。
ImageNet-LOC と PASCAL VOC の大規模な実験により,本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ことが示された。
私たちのコードはhttps://github.com/yang-yk/np-repmetで利用可能です。
関連論文リスト
- Proposal-Contrastive Pretraining for Object Detection from Fewer Data [11.416621957617334]
本稿では,新しい教師なし総合事前学習手法ProSeCoを提案する。
ProSeCoは、コントラスト学習のために検出器によって生成される多数のオブジェクト提案を使用する。
本手法は,標準および新しいベンチマークにおいて,対象検出のための教師なし事前学習において,最先端の手法であることを示す。
論文 参考訳（メタデータ） (2023-10-25T17:59:26Z) - 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) - 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) - 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 Learning for Video Object Detection in a Transfer-Learning
Scheme [70.45901040613015]
ビデオ物体検出のための数発学習の新たな課題について検討する。
我々は,多数のベースクラスオブジェクトに対して映像物体検出を効果的に訓練するトランスファー学習フレームワークと,ノベルクラスオブジェクトのいくつかのビデオクリップを用いる。
論文 参考訳（メタデータ） (2021-03-26T20:37:55Z) - 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) - Any-Shot Object Detection [81.88153407655334]
「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。
論文 参考訳（メタデータ） (2020-03-16T03:43:15Z) - Frustratingly Simple Few-Shot Object Detection [98.42824677627581]
希少なクラスにおける既存検出器の最後の層のみを微調整することは、数発の物体検出タスクに不可欠である。
このような単純なアプローチは、現在のベンチマークで約220ポイントのメタ学習方法より優れている。
論文 参考訳（メタデータ） (2020-03-16T00:29:14Z) - 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)
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。