論文の概要: Generalized Few-Shot Object Detection without Forgetting

• arxiv url: http://arxiv.org/abs/2105.09491v1
• Date: Thu, 20 May 2021 03:25:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 13:35:54.083239
• Title: Generalized Few-Shot Object Detection without Forgetting
• Title（参考訳）: フォーミングを伴わない一般化Few-Shotオブジェクト検出
• Authors: Zhibo Fan, Yuchen Ma, Zeming Li, Jian Sun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.719042946397487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently few-shot object detection is widely adopted to deal with data-limited situations. While most previous works merely focus on the performance on few-shot categories, we claim that detecting all classes is crucial as test samples may contain any instances in realistic applications, which requires the few-shot detector to learn new concepts without forgetting. Through analysis on transfer learning based methods, some neglected but beneficial properties are utilized to design a simple yet effective few-shot detector, Retentive R-CNN. It consists of Bias-Balanced RPN to debias the pretrained RPN and Re-detector to find few-shot class objects without forgetting previous knowledge. Extensive experiments on few-shot detection benchmarks show that Retentive R-CNN significantly outperforms state-of-the-art methods on overall performance among all settings as it can achieve competitive results on few-shot classes and does not degrade the base class performance at all. Our approach has demonstrated that the long desired never-forgetting learner is available in object detection.
• Abstract（参考訳）: 近年,データ制限状況に対処するために,ショット物体検出が広く採用されている。 これまでのほとんどの研究は、数ショットのカテゴリのパフォーマンスにのみ焦点を当てているが、テストサンプルが現実的なアプリケーションにインスタンスを含む可能性があるため、すべてのクラスを検出することは重要である、と我々は主張する。 転写学習に基づく解析により、いくつかの無視されているが有益な性質を利用して、単純で効果的な少数ショット検出器Retentive R-CNNを設計する。 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。 少数ショット検出ベンチマークの広範囲な実験により、r-cnnは、少数ショットクラスでの競争結果を達成でき、ベースクラスのパフォーマンスを全く低下させないため、すべての設定において最先端のメソッドを著しく上回っていることが示されている。 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。

関連論文リスト

• 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)
• 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)
• Restoring Negative Information in Few-Shot Object Detection [27.876368807936732]
  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。
  論文  参考訳（メタデータ） (2020-10-22T13:39:48Z)
• 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)
• 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)
• 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。