論文の概要: Object-aware Long-short-range Spatial Alignment for Few-Shot
Fine-Grained Image Classification
- arxiv url: http://arxiv.org/abs/2108.13098v1
- Date: Mon, 30 Aug 2021 10:10:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 14:36:36.147981
- Title: Object-aware Long-short-range Spatial Alignment for Few-Shot
Fine-Grained Image Classification
- Title（参考訳）: Few-Shot Fine-Grained Image Classificationのためのオブジェクト認識長短空間アライメント
- Authors: Yike Wu, Bo Zhang, Gang Yu, Weixi Zhang, Bin Wang, Tao Chen, Jiayuan
Fan
- Abstract要約: 数発のきめ細かい画像分類の目標は、サポートセットのこのクラスの少数のサンプルを考慮すれば、クエリセットにほとんど見られない細粒度オブジェクトを認識することである。
本研究では,対象物の特徴拡張(FOE)モジュール,長距離意味対応(LSC)モジュール,短距離空間操作(SSM)モジュールからなるオブジェクト認識型長距離空間アライメント手法を提案する。
4つのベンチマークデータセットで実験を行い、1ショットと5ショットの分類において、ほとんどの最先端手法よりも優れた性能を示した。
- 参考スコア（独自算出の注目度）: 25.162472861363216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The goal of few-shot fine-grained image classification is to recognize rarely
seen fine-grained objects in the query set, given only a few samples of this
class in the support set. Previous works focus on learning discriminative image
features from a limited number of training samples for distinguishing various
fine-grained classes, but ignore one important fact that spatial alignment of
the discriminative semantic features between the query image with arbitrary
changes and the support image, is also critical for computing the semantic
similarity between each support-query pair. In this work, we propose an
object-aware long-short-range spatial alignment approach, which is composed of
a foreground object feature enhancement (FOE) module, a long-range semantic
correspondence (LSC) module and a short-range spatial manipulation (SSM)
module. The FOE is developed to weaken background disturbance and encourage
higher foreground object response. To address the problem of long-range object
feature misalignment between support-query image pairs, the LSC is proposed to
learn the transferable long-range semantic correspondence by a designed feature
similarity metric. Further, the SSM module is developed to refine the
transformed support feature after the long-range step to align short-range
misaligned features (or local details) with the query features. Extensive
experiments have been conducted on four benchmark datasets, and the results
show superior performance over most state-of-the-art methods under both 1-shot
and 5-shot classification scenarios.
- Abstract（参考訳）: 数発のきめ細かい画像分類の目標は、サポートセットのこのクラスの少数のサンプルを考慮すれば、クエリセットにほとんど見られない細粒度オブジェクトを認識することである。
従来の研究は,様々な粒度のクラスを識別するための限られた訓練サンプルから識別画像の特徴を学習することに集中していたが,クエリ画像とサポート画像との識別的意味的特徴の空間的アライメントが,各サポートクエリのペア間の意味的類似性を計算する上でも重要であることを無視する。
本研究では,foreground object feature enhancement (foe) モジュール,long-range semantic correspondence (lsc) モジュール,および short-range spatial manipulation (ssm) モジュールからなる物体認識型長距離空間アライメント手法を提案する。
FOEは背景障害を弱め、前景の反応を高めるために開発された。
サポート・クエリ画像対間の長距離オブジェクト特徴量不一致問題に対処するため,lscは設計した特徴類似度メトリクスを用いて転送可能な長距離意味対応を学習するために提案する。
さらに、SSMモジュールは、短い範囲のミスアライメント機能(またはローカル詳細)とクエリ機能との整合性を確保するために、長距離ステップ後の変換サポート機能を洗練するために開発されている。
4つのベンチマークデータセットで広範な実験が行われており、1ショットおよび5ショットの分類シナリオにおいて、ほとんどの最先端手法よりも優れた性能を示している。
関連論文リスト
- Boosting Few-Shot Segmentation via Instance-Aware Data Augmentation and
Local Consensus Guided Cross Attention [7.939095881813804]
少ないショットセグメンテーションは、注釈付き画像のみを提供する新しいタスクに迅速に適応できるセグメンテーションモデルをトレーニングすることを目的としている。
本稿では,対象オブジェクトの相対的サイズに基づいて,サポートイメージを拡大するIDA戦略を提案する。
提案したIDAは,サポートセットの多様性を効果的に向上し,サポートイメージとクエリイメージ間の分散一貫性を促進する。
論文 参考訳（メタデータ） (2024-01-18T10:29:10Z) - Dense Affinity Matching for Few-Shot Segmentation [83.65203917246745]
Few-Shot (FSS) は、新しいクラスイメージをいくつかのサンプルで分割することを目的としている。
本稿では,サポートクエリ間の相互作用を生かした密接な親和性マッチングフレームワークを提案する。
我々のフレームワークは0.68万のパラメータしか持たない異なる設定で非常に競争力のある性能を示す。
論文 参考訳（メタデータ） (2023-07-17T12:27:15Z) - Hi-ResNet: Edge Detail Enhancement for High-Resolution Remote Sensing Segmentation [10.919956120261539]
高分解能リモートセンシング(HRS)セマンティックセマンティクスは、高分解能カバレッジ領域からキーオブジェクトを抽出する。
HRS画像内の同じカテゴリのオブジェクトは、多様な地理的環境におけるスケールと形状の顕著な違いを示す。
効率的なネットワーク構造を持つ高分解能リモートセンシングネットワーク(Hi-ResNet)を提案する。
論文 参考訳（メタデータ） (2023-05-22T03:58:25Z) - Multi-Granularity Denoising and Bidirectional Alignment for Weakly
Supervised Semantic Segmentation [75.32213865436442]
本稿では,雑音ラベルと多クラス一般化問題を緩和するために,MDBAモデルを提案する。
MDBAモデルはPASCAL VOC 2012データセットの検証とテストセットにおいて69.5%と70.2%のmIoUに達することができる。
論文 参考訳（メタデータ） (2023-05-09T03:33:43Z) - Hierarchical Dense Correlation Distillation for Few-Shot Segmentation [46.696051965252934]
Few-shot semantic segmentation (FSS) は、いくつかのアノテーションだけで見えないクラスをセグメンテーションするクラスに依存しないモデルを構築することを目的としている。
我々は、トランスアーキテクチャに基づく階層的分離マッチングネットワーク(HDMNet)マイニングピクセルレベルのサポート相関を設計する。
本稿では,列車セットの過度適合を低減し,粗い分解から意味対応を生かした相関蒸留を導入し,細粒度セグメンテーションを向上するマッチングモジュールを提案する。
論文 参考訳（メタデータ） (2023-03-26T08:13:12Z) - Progressively Dual Prior Guided Few-shot Semantic Segmentation [57.37506990980975]
Few-shotのセマンティックセマンティックセマンティクスタスクは、いくつかのアノテーション付きサポートサンプルを使用して、クエリイメージのセマンティクスを実行することを目的としている。
本稿では,先進的に2重にガイドされた数発のセマンティックセマンティックセグメンテーションネットワークを提案する。
論文 参考訳（メタデータ） (2022-11-20T16:19:47Z) - Boosting Few-shot Fine-grained Recognition with Background Suppression
and Foreground Alignment [53.401889855278704]
FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。
本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。
複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
論文 参考訳（メタデータ） (2022-10-04T07:54:40Z) - Multi-scale Adaptive Task Attention Network for Few-Shot Learning [5.861206243996454]
少数ショット学習の目標は、ラベル付きサンプルの少ない未確認カテゴリを分類することである。
本稿では,マルチスケール適応タスク注意ネットワーク(MATANet)を提案する。
論文 参考訳（メタデータ） (2020-11-30T00:36:01Z) - A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。
提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。
本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
論文 参考訳（メタデータ） (2020-07-03T18:23:39Z) - Improving Few-shot Learning by Spatially-aware Matching and
CrossTransformer [116.46533207849619]
数ショット学習シナリオにおけるスケールと位置ミスマッチの影響について検討する。
本稿では,複数のスケールや場所のマッチングを効果的に行うための,空間認識型マッチング手法を提案する。
論文 参考訳（メタデータ） (2020-01-06T14:10:20Z)
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。