論文の概要: Few-Shot Object Detection by Attending to Per-Sample-Prototype

• arxiv url: http://arxiv.org/abs/2109.07734v1
• Date: Thu, 16 Sep 2021 05:58:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-17 13:59:04.709165
• Title: Few-Shot Object Detection by Attending to Per-Sample-Prototype
• Title（参考訳）: サンプル毎プロトタイプによる少数ショット物体検出
• Authors: Hojun Lee, Myunggi Lee, Nojun Kwak
• Abstract要約: Few-shotオブジェクト検出は、クエリイメージ内の特定のカテゴリのインスタンスを、少数のサポートサンプルだけで検出することを目的としている。 本稿では,各サポートサンプルの特徴を考慮したメタラーニングに基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 31.873517345437158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot object detection aims to detect instances of specific categories in a query image with only a handful of support samples. Although this takes less effort than obtaining enough annotated images for supervised object detection, it results in a far inferior performance compared to the conventional object detection methods. In this paper, we propose a meta-learning-based approach that considers the unique characteristics of each support sample. Rather than simply averaging the information of the support samples to generate a single prototype per category, our method can better utilize the information of each support sample by treating each support sample as an individual prototype. Specifically, we introduce two types of attention mechanisms for aggregating the query and support feature maps. The first is to refine the information of few-shot samples by extracting shared information between the support samples through attention. Second, each support sample is used as a class code to leverage the information by comparing similarities between each support feature and query features. Our proposed method is complementary to the previous methods, making it easy to plug and play for further improvement. We have evaluated our method on PASCAL VOC and COCO benchmarks, and the results verify the effectiveness of our method. In particular, the advantages of our method are maximized when there is more diversity among support data.
• Abstract（参考訳）: 少数のサポートサンプルだけでクエリイメージ内の特定のカテゴリのインスタンスを検出することを目的としている。 これは、教師付き物体検出のための十分な注釈画像を得るよりも少ない労力を要するが、従来の物体検出法に比べてはるかに劣る結果となる。 本稿では,各支援サンプルの特徴を考慮したメタラーニングに基づくアプローチを提案する。 サポートサンプルの情報を単に平均してカテゴリごとに1つのプロトタイプを生成するのではなく、各サポートサンプルを個々のプロトタイプとして扱うことにより、サポートサンプルの情報をうまく利用することができる。 具体的には,問合せを集約する2種類の注意機構と,特徴マップのサポートについて紹介する。 まず,支援サンプル間の共有情報を注意を通して抽出し,少数サンプルの情報を洗練することである。 次に、各サポートサンプルをクラスコードとして使用して、各サポート機能とクエリ機能との類似性を比較する。 提案手法は従来の手法と相補的であり,さらなる改良のためにプラグ・アンド・プレイが容易である。 本手法をPASCAL VOCおよびCOCOベンチマークで評価し,本手法の有効性を検証した。 特に,支援データに多様性がある場合に,本手法の利点を最大化する。

関連論文リスト

• Correlation Weighted Prototype-based Self-Supervised One-Shot Segmentation of Medical Images [12.365801596593936]
  医用画像セグメンテーションは、十分な注釈付きデータが入手できない領域の1つである。 スーパーピクセルから生成された擬似ラベルを用いた,プロトタイプベースのワンショット学習フレームワークを提案する。 提案手法は,最先端の手法と同等に機能することを示す。
  論文  参考訳（メタデータ） (2024-08-12T15:38:51Z)
• Multi-level Relation Learning for Cross-domain Few-shot Hyperspectral Image Classification [8.78907921615878]
  クロスドメインの少数ショットハイパースペクトル画像分類は、ソースドメインから多数のラベル付きサンプルから事前知識を学ぶことに焦点を当てている。 本稿では,異なるレベルのサンプル関係を学習し,それらをモデル学習プロセスに取り入れることを提案する。
  論文  参考訳（メタデータ） (2023-11-02T13:06:03Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Semantic Prompt for Few-Shot Image Recognition [76.68959583129335]
  本稿では,数ショット学習のための新しいセマンティック・プロンプト(SP)手法を提案する。 提案手法は,1ショットの学習精度を平均3.67%向上させることにより,有望な結果が得られる。
  論文  参考訳（メタデータ） (2023-03-24T16:32:19Z)
• CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification [11.894289991529496]
  少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。 最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。 本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T06:14:51Z)
• Multi-Label Few-Shot Learning for Aspect Category Detection [23.92900196246631]
  感情分析におけるアスペクトカテゴリー検出(ACD)は、文中のアスペクトカテゴリを特定することを目的としている。 既存の数発の学習アプローチは、主にシングルラベルの予測に焦点を当てている。 本稿では,プロトタイプネットワークに基づく複数ラベルの複数ショット学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-29T01:56:11Z)
• Detection of Adversarial Supports in Few-shot Classifiers Using Feature Preserving Autoencoders and Self-Similarity [89.26308254637702]
  敵対的なサポートセットを強調するための検出戦略を提案する。 我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。 提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
  論文  参考訳（メタデータ） (2020-12-09T14:13:41Z)
• 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)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• Selecting Relevant Features from a Multi-domain Representation for Few-shot Classification [91.67977602992657]
  本稿では,従来の特徴適応手法よりもシンプルかつ効果的である特徴選択に基づく新しい戦略を提案する。 このような特徴の上に構築された単純な非パラメトリック分類器は高い精度を示し、訓練中に見たことのない領域に一般化する。
  論文  参考訳（メタデータ） (2020-03-20T15:44:17Z)

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。