論文の概要: Large-Scale Unsupervised Object Discovery
- arxiv url: http://arxiv.org/abs/2106.06650v1
- Date: Sat, 12 Jun 2021 00:29:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-20 01:21:27.158503
- Title: Large-Scale Unsupervised Object Discovery
- Title(参考訳): 大規模非教師対象発見
- Authors: Huy V. Vo, Elena Sizikova, Cordelia Schmid, Patrick P\'erez, Jean
Ponce
- Abstract要約: 教師なしオブジェクトディスカバリ(UOD)は、パフォーマンスを損なう近似なしでは、大規模なデータセットにスケールアップしない。
本稿では,固有値問題やリンク解析に利用できる分散手法の武器として,ランク付け問題としてのUODの新たな定式化を提案する。
- 参考スコア(独自算出の注目度): 80.60458324771571
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing approaches to unsupervised object discovery (UOD) do not scale up to
large datasets without approximations which compromise their performance. We
propose a novel formulation of UOD as a ranking problem, amenable to the
arsenal of distributed methods available for eigenvalue problems and link
analysis. Extensive experiments with COCO and OpenImages demonstrate that, in
the single-object discovery setting where a single prominent object is sought
in each image, the proposed LOD (Large-scale Object Discovery) approach is on
par with, or better than the state of the art for medium-scale datasets (up to
120K images), and over 37% better than the only other algorithms capable of
scaling up to 1.7M images. In the multi-object discovery setting where multiple
objects are sought in each image, the proposed LOD is over 14% better in
average precision (AP) than all other methods for datasets ranging from 20K to
1.7M images.
- Abstract(参考訳): unsupervised object discovery(uod)に対する既存のアプローチは、パフォーマンスを損なう近似なしでは大規模なデータセットにスケールアップできない。
本稿では,固有値問題やリンク解析に利用できる分散手法の武器として,ランク付け問題としてのUODの新たな定式化を提案する。
COCOとOpenImagesによる大規模な実験により、各画像に1つの顕著なオブジェクトを求める単一オブジェクト発見環境では、提案されたLOD(大規模オブジェクト発見)アプローチは、中規模データセット(最大120Kイメージ)の最先端技術と同等かそれ以上に、最大1.7Mイメージまでスケールアップ可能な他のアルゴリズムよりも37%以上優れていることが示された。
各画像に複数のオブジェクトを求めるマルチオブジェクトディスカバリ設定では、提案されたlodは20kから1.7mのデータセットの他の方法よりも平均精度(ap)が14%以上優れている。
関連論文リスト
- SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale
SAR Object Detection [83.21028626585986]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。
私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。
私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文 参考訳(メタデータ) (2024-03-11T09:20:40Z) - Recurrent Multi-scale Transformer for High-Resolution Salient Object
Detection [68.65338791283298]
Salient Object Detection (SOD) は、画像やビデオの中で最も顕著なオブジェクトを識別し、セグメント化することを目的としている。
従来のSOD法は主に解像度の低い画像に限られており、高分解能SODの開発に適応することが困難である。
本研究ではまず,2K-8K解像度で10,500個の高品質なアノテート画像を含む新しいHRS10Kデータセットを提案する。
論文 参考訳(メタデータ) (2023-08-07T17:49:04Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳(メタデータ) (2023-07-07T04:03:48Z) - ARUBA: An Architecture-Agnostic Balanced Loss for Aerial Object
Detection [24.085715205081385]
我々は、オブジェクトのサイズを画像中の画素数、サイズ不均衡として、データセット内の特定のサイズのオブジェクトの過剰表現として表現する。
本稿では,任意のオブジェクト検出モデル上にプラグインとして適用可能な,新しいARchitectUre-Agnostic BAlanced Loss (ARUBA)を提案する。
論文 参考訳(メタデータ) (2022-10-10T11:28:16Z) - Exploring Resolution and Degradation Clues as Self-supervised Signal for
Low Quality Object Detection [77.3530907443279]
劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。
本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
論文 参考訳(メタデータ) (2022-08-05T09:36:13Z) - Remote Sensing Image Super-resolution and Object Detection: Benchmark
and State of the Art [7.74389937337756]
本稿では、リモートセンシング画像の現在のデータセットとオブジェクト検出方法(深層学習に基づく)についてレビューする。
本稿では,大規模かつ一般公開なリモートセンシング超解像オブジェクト検出データセットを提案する。
また、画像超解像に基づく物体検出のベンチマークを行うために、Residual Feature aggregate (MCGR) と補助YOLOv5検出器を備えた新しいマルチクラスサイクル超解像対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-11-05T04:56:34Z) - FAIR1M: A Benchmark Dataset for Fine-grained Object Recognition in
High-Resolution Remote Sensing Imagery [21.9319970004788]
我々は,高分解能リモートセンシング画像において,100万以上のインスタンスと15,000以上の画像を含む新しいベンチマークデータセットを提案する。
FAIR1Mデータセットのすべてのオブジェクトは、指向境界ボックスによって5つのカテゴリと37のサブカテゴリに関してアノテートされます。
論文 参考訳(メタデータ) (2021-03-09T17:20:15Z) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳(メタデータ) (2021-02-24T11:20:55Z) - Toward unsupervised, multi-object discovery in large-scale image
collections [26.39475298878971]
本稿では,Vo et al の最適化手法に基づく。
そこで我々は,新しいサリエンシに基づく領域提案アルゴリズムを提案する。
提案手法の階層構造を有効正則化器として活用する。
論文 参考訳(メタデータ) (2020-07-06T11:43:47Z)
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。