論文の概要: Few-Shot Batch Incremental Road Object Detection via Detector Fusion

• arxiv url: http://arxiv.org/abs/2108.08048v1
• Date: Wed, 18 Aug 2021 08:57:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-19 14:53:15.070583
• Title: Few-Shot Batch Incremental Road Object Detection via Detector Fusion
• Title（参考訳）: 検出器融合による道路物体のマイナショットインクリメンタル検出
• Authors: Anuj Tambwekar, Kshitij Agrawal, Anay Majee, Anbumani Subramanian
• Abstract要約: インド・ドライビング・データセット(IDD)のデータを用いた段階的数ショット道路物体検出のバッチ化問題に取り組む。 我々のアプローチであるDualFusionは、非常に限られたデータで希少な物体を検出する方法を学ぶために、オブジェクト検出器を組み合わせる。 我々は現在最先端の小説クラスのパフォーマンスを6.6倍以上に上回り、9.9の新規APスコアを達成している。
• 参考スコア（独自算出の注目度）: 0.3441021278275805
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Incremental few-shot learning has emerged as a new and challenging area in deep learning, whose objective is to train deep learning models using very few samples of new class data, and none of the old class data. In this work we tackle the problem of batch incremental few-shot road object detection using data from the India Driving Dataset (IDD). Our approach, DualFusion, combines object detectors in a manner that allows us to learn to detect rare objects with very limited data, all without severely degrading the performance of the detector on the abundant classes. In the IDD OpenSet incremental few-shot detection task, we achieve a mAP50 score of 40.0 on the base classes and an overall mAP50 score of 38.8, both of which are the highest to date. In the COCO batch incremental few-shot detection task, we achieve a novel AP score of 9.9, surpassing the state-of-the-art novel class performance on the same by over 6.6 times.
• Abstract（参考訳）: インクリメンタルな少数ショット学習は、新しいクラスデータのサンプルをほとんど使わず、古いクラスデータも使わずにディープラーニングモデルをトレーニングすることを目的とした、深層学習において、新しくて挑戦的な領域として現れています。 本研究では、インド運転データセット(idd)のデータを用いて、バッチインクリメンタルな少数ショットの道路物体検出の問題に取り組む。 当社のアプローチであるdualfusionは、非常に限られたデータで希少な物体を検出する方法を学習できるように、オブジェクト検出器を組み合わせることで、豊富なクラスの検出器のパフォーマンスを格段に低下させることなく実現します。 IDD OpenSetインクリメンタルな数ショット検出タスクでは、ベースクラスでmAP50スコアが40.0、総合mAP50スコアが38.8となり、どちらもこれまでで最も高い。 COCOバッチの増分数ショット検出タスクでは、新しいAPスコア9.9を達成し、最先端の新規クラスのパフォーマンスを6.6倍以上上回った。

関連論文リスト

• Enhancing Novel Object Detection via Cooperative Foundational Models [75.30243629533277]
  本稿では,既存のクローズドセット検出器をオープンセット検出器に変換する新しい手法を提案する。 私たちは、新しいクラスに対して7.2$ textAP_50 のマージンで現在の最先端を越えています。
  論文  参考訳（メタデータ） (2023-11-19T17:28:28Z)
• Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for Autonomous Driving [91.39625612027386]
  我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。 具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。 この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T07:11:36Z)
• 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)
• Seeing BDD100K in dark: Single-Stage Night-time Object Detection via Continual Fourier Contrastive Learning [3.4012007729454816]
  夜間物体検出は、限られた論文のうち、一様でない評価プロトコルを通して、わずかにのみ研究されている。 本稿では,これら3つのギャップを橋渡しする。 均一な評価プロトコルの欠如(その有効性と効率のため、単段検出器を使用する)。 夜間オブジェクト検出のベンチマークのためのデータセットの選択。 現在の選択肢の限界に対処する新しい方法。
  論文  参考訳（メタデータ） (2021-12-06T09:28:45Z)
• Beyond Classification: Knowledge Distillation using Multi-Object Impressions [17.214664783818687]
  知識蒸留(KD)は、複雑なネットワーク(Teacher)からより小さなネットワーク(Student)へ知識を伝達するために、訓練データを転送セットとして利用する。 いくつかの研究は、データプライバシや感度に関する懸念から、トレーニングデータが利用できない多くのシナリオを特定している。 トレーニングデータとその統計に関する知識がゼロのオブジェクト検出のためのKD」という、はるかに難しい問題を初めて解決しました。
  論文  参考訳（メタデータ） (2021-10-27T06:59:27Z)
• 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)
• Progressive Object Transfer Detection [84.48927705173494]
  本稿では,新しいプログレッシブオブジェクト転送検出(POTD)フレームワークを提案する。 第一に、POTDは様々なドメインの様々なオブジェクトを効果的にプログレッシブな検出手順に活用することができる。 第2に、POTDは2つの微妙な転送段階、すなわち、LSTD(low-Shot Transfer Detection)とWSTD(Weakly Supervised Transfer Detection)から構成される。
  論文  参考訳（メタデータ） (2020-02-12T00:16:24Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。