論文の概要: Cooperating RPN's Improve Few-Shot Object Detection

• arxiv url: http://arxiv.org/abs/2011.10142v1
• Date: Thu, 19 Nov 2020 23:03:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-09-23 21:28:07.285000
• Title: Cooperating RPN's Improve Few-Shot Object Detection
• Title（参考訳）: RPNのFew-Shotオブジェクト検出の改善
• Authors: Weilin Zhang, Yu-Xiong Wang, David A. Forsyth
• Abstract要約: 地域提案ネットワーク(RPN)は、1つのハイ・クロスオーバー・ユニオン(IOU)トレーニングボックスを見逃している。 我々は複数の異なるが協調的なRPNを使用する。 私たちのRPNは異なるように訓練されていますが、あまり変わりません。これはCOCOとPASCALVOCの最先端技術よりも、非常にパフォーマンスが向上します。
• 参考スコア（独自算出の注目度）: 31.474131654113076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning to detect an object in an image from very few training examples - few-shot object detection - is challenging, because the classifier that sees proposal boxes has very little training data. A particularly challenging training regime occurs when there are one or two training examples. In this case, if the region proposal network (RPN) misses even one high intersection-over-union (IOU) training box, the classifier's model of how object appearance varies can be severely impacted. We use multiple distinct yet cooperating RPN's. Our RPN's are trained to be different, but not too different; doing so yields significant performance improvements over state of the art for COCO and PASCAL VOC in the very few-shot setting. This effect appears to be independent of the choice of classifier or dataset.
• Abstract（参考訳）: 画像内のオブジェクトを非常に少ないトレーニング例から検出する学習few-shotオブジェクト検出 - プロポーザルボックスを見ている分類器がトレーニングデータを持たないため、難しい。 特に難しいトレーニング体制は、1つまたは2つのトレーニング例がある場合に発生する。 この場合、地域提案ネットワーク(RPN)が1つのハイ・クロスオーバー・ユニオン(IOU)トレーニングボックスを欠いている場合、その分類器のモデルがオブジェクトの外観に大きく影響する可能性がある。 我々は複数の異なるが協調的なRPNを使用する。 私たちのRPNは異なるように訓練されていますが、あまり変わりません。これはCOCOとPASCALVOCの最先端技術よりも、非常にパフォーマンスが向上します。 この効果は分類器やデータセットの選択とは独立しているようだ。

関連論文リスト

• Multi-Domain Joint Training for Person Re-Identification [51.73921349603597]
  ReID(Deep Learning-based person Re-IDentification)は、優れたパフォーマンスを達成するために、大量のトレーニングデータを必要とすることが多い。 多様な環境からより多くのトレーニングデータを集めることで、ReIDのパフォーマンスが向上する傾向にある。 本稿では,パラメータを様々な要因に適応させることができる,Domain-Camera-Sample Dynamic Network (DCSD) というアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-06T09:20:59Z)
• 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)
• Revisiting Contrastive Methods for Unsupervised Learning of Visual Representations [78.12377360145078]
  対照的な自己教師型学習は、セグメンテーションやオブジェクト検出といった多くの下流タスクにおいて教師付き事前訓練よりも優れています。 本稿では,データセットのバイアスが既存手法にどのように影響するかを最初に検討する。 現在のコントラストアプローチは、(i)オブジェクト中心対シーン中心、(ii)一様対ロングテール、(iii)一般対ドメイン固有データセットなど、驚くほどうまく機能することを示す。
  論文  参考訳（メタデータ） (2021-06-10T17:59:13Z)
• Hallucination Improves Few-Shot Object Detection [15.932703834032456]
  少数ショット検出を改善する上で重要な要因は、トレーニングデータのばらつきの欠如に対処することだ。 基本クラスから共有クラス内変分を転送することで,新しいクラスの変分モデルを構築することを提案する。 提案手法は,提案手法が異なる2つの最先端の少数ショット検出器の性能向上をもたらす。
  論文  参考訳（メタデータ） (2021-05-04T05:19:53Z)
• 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)
• Object Localization Through a Single Multiple-Model Convolutional Neural Network with a Specific Training Approach [0.0]
  光畳み込みニューラルネットワーク(cnn)に対して,画像に対する関心領域を決定するための特別訓練手法を提案する。 ほぼ全てのCNNベースの検出器は、固定された入力サイズ画像を使用し、様々なオブジェクトサイズを扱う場合、性能が低下する可能性がある。
  論文  参考訳（メタデータ） (2021-03-24T16:52:01Z)
• Separable Batch Normalization for Robust Facial Landmark Localization with Cross-protocol Network Training [41.82379935715916]
  大規模で多様でバランスの取れたトレーニングデータは、ディープニューラルネットワークトレーニングの成功の鍵です。 多様性とバランスの取れたトレーニングサンプルを持たない小さなデータセットは、ディープネットワークのトレーニングを効果的にサポートできない。 本稿では, 顔のランドマークのロバスト化のためのクロスプロトコールネットワークトレーニング(CNT)戦略を用いた, 分離型バッチ正規化(SepBN)モジュールを提案する。
  論文  参考訳（メタデータ） (2021-01-17T13:04:06Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)
• Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
  Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
  論文  参考訳（メタデータ） (2020-07-18T09:48:29Z)

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。