論文の概要: Hallucination Improves Few-Shot Object Detection

• arxiv url: http://arxiv.org/abs/2105.01294v1
• Date: Tue, 4 May 2021 05:19:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 12:58:33.367457
• Title: Hallucination Improves Few-Shot Object Detection
• Title（参考訳）: 幻覚によるFew-Shotオブジェクト検出の改善
• Authors: Weilin Zhang, Yu-Xiong Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.932703834032456
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning to detect novel objects from few annotated examples is of great practical importance. A particularly challenging yet common regime occurs when there are extremely limited examples (less than three). One critical factor in improving few-shot detection is to address the lack of variation in training data. We propose to build a better model of variation for novel classes by transferring the shared within-class variation from base classes. To this end, we introduce a hallucinator network that learns to generate additional, useful training examples in the region of interest (RoI) feature space, and incorporate it into a modern object detection model. Our approach yields significant performance improvements on two state-of-the-art few-shot detectors with different proposal generation procedures. In particular, we achieve new state of the art in the extremely-few-shot regime on the challenging COCO benchmark.
• Abstract（参考訳）: 注釈のない例から新しい物体を検出することは、非常に実践的な重要性がある。 極めて限られた例(3つ未満)がある場合、特に難しいが一般的な状態が発生する。 少数ショット検出を改善する上で重要な要因のひとつは、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。 そこで本研究では,関心領域(roi)の特徴空間に付加的かつ有用なトレーニング例を生成し,それを現代の物体検出モデルに組み込む幻覚剤ネットワークを提案する。 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。 特に,挑戦的なcocoベンチマークを用いて,超fewショット方式で新たな最先端技術を実現する。

関連論文リスト

• Demystifying the Base and Novel Performances for Few-shot Class-incremental Learning [15.762281194023462]
  FSCIL(Few-shot class-incremental Learning)は、目に見えない新しいクラスがほとんどサンプルを持って絶えずやってくる現実のシナリオに対処している。 先行知識を忘れずに新しいクラスを認識するモデルを開発する必要がある。 本手法は,高度な最先端アルゴリズムと同等の性能を有することを示す。
  論文  参考訳（メタデータ） (2022-06-18T00:39:47Z)
• Few-Shot Object Detection with Proposal Balance Refinement [21.89786914625517]
  近年,物体検出に注目が集まっている。 本稿では,新規サンプルの偏り分布に起因した交叉対一乗変動の欠如を解析する。 提案手法は,オブジェクトの提案を学習する上で,シンプルかつ効果的なアプローチである提案バランス改善を伴う,数発のオブジェクト検出モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-22T06:44:15Z)
• Few-shot Forgery Detection via Guided Adversarial Interpolation [56.59499187594308]
  既存の偽造検出手法は、見知らぬ新しい偽造手法に適用した場合、大幅な性能低下に悩まされる。 本稿では,数発の偽造検出問題を克服するために,GAI(Guid Adversarial Interpolation)を提案する。 我々の手法は、多数派と少数派の偽造アプローチの選択に対して堅牢であることが検証されている。
  論文  参考訳（メタデータ） (2022-04-12T16:05:10Z)
• Towards Generalized and Incremental Few-Shot Object Detection [9.033533653482529]
  新規なインクリメンタルFew-Shot Object Detection (iFSOD) 法を提案する。 具体的には、ベースクラスと新規クラスの特徴表現を分離するために、DBF(Double-Branch Framework)を提案する。 我々はPascal VOCとMS-COCOの両方で実験を行い、この手法がインクリメンタル・ショット検出の問題を効果的に解決できることを実証した。
  論文  参考訳（メタデータ） (2021-09-23T12:38:09Z)
• Class-Incremental Few-Shot Object Detection [8.569278547520438]
  本稿では,より挑戦的で現実的なクラスインクリメンタルなオブジェクト検出問題(ifsd)に着目する。 それまで学んだことを壊滅的に忘れずに、少数の注釈付きサンプルから新しいオブジェクトのモデルを段階的に移行することを目的としている。 忘れることの少ないLEAST、fEwerトレーニングリソース、およびより強力な転送能力で転送できる新しい方法を提案します。
  論文  参考訳（メタデータ） (2021-05-17T06:49:29Z)
• 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)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• 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)
• Incremental Few-Shot Object Detection [96.02543873402813]
  OpeN-ended Centre nEtは、いくつかの例でクラスオブジェクトの検出を漸進的に学習する検出器である。 ONCEはインクリメンタルな学習パラダイムを十分に尊重しており、新しいクラス登録では、数発のトレーニングサンプルを1回だけフォワードパスするだけでよい。
  論文  参考訳（メタデータ） (2020-03-10T12:56:59Z)

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。