論文の概要: Learning Open-World Object Proposals without Learning to Classify

• arxiv url: http://arxiv.org/abs/2108.06753v1
• Date: Sun, 15 Aug 2021 14:36:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-17 15:09:23.769025
• Title: Learning Open-World Object Proposals without Learning to Classify
• Title（参考訳）: 学ぶことなくオープンワールドオブジェクトの提案を学ぶ
• Authors: Dahun Kim, Tsung-Yi Lin, Anelia Angelova, In So Kweon, Weicheng Kuo
• Abstract要約: 本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。 この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
• 参考スコア（独自算出の注目度）: 110.30191531975804
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Object proposals have become an integral preprocessing steps of many vision pipelines including object detection, weakly supervised detection, object discovery, tracking, etc. Compared to the learning-free methods, learning-based proposals have become popular recently due to the growing interest in object detection. The common paradigm is to learn object proposals from data labeled with a set of object regions and their corresponding categories. However, this approach often struggles with novel objects in the open world that are absent in the training set. In this paper, we identify that the problem is that the binary classifiers in existing proposal methods tend to overfit to the training categories. Therefore, we propose a classification-free Object Localization Network (OLN) which estimates the objectness of each region purely by how well the location and shape of a region overlap with any ground-truth object (e.g., centerness and IoU). This simple strategy learns generalizable objectness and outperforms existing proposals on cross-category generalization on COCO, as well as cross-dataset evaluation on RoboNet, Object365, and EpicKitchens. Finally, we demonstrate the merit of OLN for long-tail object detection on large vocabulary dataset, LVIS, where we notice clear improvement in rare and common categories.
• Abstract（参考訳）: オブジェクト提案は、オブジェクト検出、弱い教師付き検出、オブジェクト発見、トラッキングなど、多くのビジョンパイプラインの不可欠な前処理ステップになっている。 学習フリー手法と比較して,オブジェクト検出への関心が高まっているため,学習ベースの提案が最近普及している。 共通のパラダイムは、オブジェクト領域とその対応するカテゴリのセットでラベル付けされたデータからオブジェクトの提案を学ぶことである。 しかし、このアプローチは、トレーニングセットにないオープンワールドにおける新しいオブジェクトにしばしば苦労する。 本稿では,既存の提案手法におけるバイナリ分類器が,トレーニングカテゴリに過剰に適合する傾向があることを明らかにする。 そこで本研究では,各領域の位置と形状がどのような接地的対象(例えば,中心性とIoU)とどのように重なり合うかによって,各領域の目的性を純粋に推定する。 この単純な戦略は、一般化可能なオブジェクト性を学び、COCO上のクロスカテゴリの一般化に関する既存の提案と、RoboNet、Object365、EpicKitchensのクロスデータセット評価を上回ります。 最後に,lvis(large vocabulary dataset)におけるlong-tail object detectionにおけるolnの有用性を示す。

関連論文リスト

• Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
  本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。 提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。 完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:14:32Z)
• Redefining Normal: A Novel Object-Level Approach for Multi-Object Novelty Detection [68.14842693208465]
  我々は、データセットにおける最も支配的なオブジェクトを標準と考え、現実世界のシナリオに対してより効果的である視点を提供します。 我々の最初の貢献であるDeFeND(Dense Feature Fine-tuning on Normal Data)は、高密度特徴微調整を蒸留プロセスに統合する。 このアプローチは、単一対象の新規性検出においてうまく機能するが、複数対象のコンテキストにおける既存の手法をかなり上回る。
  論文  参考訳（メタデータ） (2024-12-15T10:47:09Z)
• Debiased Novel Category Discovering and Localization [40.02326438622898]
  新たなクラスディスカバリー・ローカライゼーション(NCDL)の課題に焦点をあてる。 本稿では,クラス非依存領域提案ネットワーク(RPN)とクラス対応RPNを組み合わせたデバイアスドリージョンマイニング(DRM)手法を提案する。 我々はNCDLベンチマークで広範な実験を行い、提案手法が従来の手法よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-29T03:09:16Z)
• 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)
• 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)
• Open-Set Object Detection Using Classification-free Object Proposal and Instance-level Contrastive Learning [25.935629339091697]
  オープンセットオブジェクト検出(OSOD)は、オブジェクトと背景分離、オープンセットオブジェクト分類という2つのサブタスクからなる問題を処理するための有望な方向である。 我々は,OSODの課題に対処するため,Openset RCNNを提案する。 我々のOpenset RCNNは、散らばった環境下でロボットの並べ替えタスクをサポートするオープンセットの知覚能力でロボットを支援できることを示します。
  論文  参考訳（メタデータ） (2022-11-21T15:00:04Z)
• Learning to Discover and Detect Objects [43.52208526783969]
  新たなクラス発見・検出・ローカライゼーション(NCDL)の課題に取り組む。 この設定では、よく観察されるクラスのオブジェクトのラベル付きソースデータセットを仮定する。 検出ネットワークをエンドツーエンドでトレーニングすることにより、さまざまなクラスに対してすべてのリージョン提案を分類することが可能になる。
  論文  参考訳（メタデータ） (2022-10-19T17:59:55Z)
• Exploiting Unlabeled Data with Vision and Language Models for Object Detection [64.94365501586118]
  堅牢で汎用的なオブジェクト検出フレームワークを構築するには、より大きなラベルスペースとより大きなトレーニングデータセットへのスケーリングが必要である。 本稿では,近年の視覚と言語モデルで利用可能なリッチなセマンティクスを利用して,未ラベル画像中のオブジェクトのローカライズと分類を行う手法を提案する。 生成した擬似ラベルの価値を,オープン語彙検出と半教師付きオブジェクト検出の2つのタスクで示す。
  論文  参考訳（メタデータ） (2022-07-18T21:47:15Z)
• Few-Shot Object Detection: A Survey [4.266990593059534]
  オブジェクト検出は、ターゲットドメイン内の新しいカテゴリの少数のオブジェクトインスタンスから学ぶことを目的としている。 トレーニング手法とアーキテクチャレイアウトに応じてアプローチを分類する。 一般的なデータセットとその評価プロトコルを導入し,ベンチマーク結果を解析する。
  論文  参考訳（メタデータ） (2021-12-22T07:08:53Z)
• Discovery-and-Selection: Towards Optimal Multiple Instance Learning for Weakly Supervised Object Detection [86.86602297364826]
  複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。 我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
  論文  参考訳（メタデータ） (2021-10-18T07:06:57Z)

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。