論文の概要: Towards Generalized and Incremental Few-Shot Object Detection
- arxiv url: http://arxiv.org/abs/2109.11336v1
- Date: Thu, 23 Sep 2021 12:38:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-24 15:00:24.750668
- Title: Towards Generalized and Incremental Few-Shot Object Detection
- Title（参考訳）: 一般化・インクリメンタルFew-Shotオブジェクト検出に向けて
- Authors: Yiting Li, Haiyue Zhu, Jun Ma, Chek Sing Teo, Cheng Xiang, Prahlad
Vadakkepat, Tong Heng Lee
- Abstract要約: 新規なインクリメンタルFew-Shot Object Detection (iFSOD) 法を提案する。
具体的には、ベースクラスと新規クラスの特徴表現を分離するために、DBF(Double-Branch Framework)を提案する。
我々はPascal VOCとMS-COCOの両方で実験を行い、この手法がインクリメンタル・ショット検出の問題を効果的に解決できることを実証した。
- 参考スコア（独自算出の注目度）: 9.033533653482529
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world object detection is highly desired to be equipped with the
learning expandability that can enlarge its detection classes incrementally.
Moreover, such learning from only few annotated training samples further adds
the flexibility for the object detector, which is highly expected in many
applications such as autonomous driving, robotics, etc. However, such
sequential learning scenario with few-shot training samples generally causes
catastrophic forgetting and dramatic overfitting. In this paper, to address the
above incremental few-shot learning issues, a novel Incremental Few-Shot Object
Detection (iFSOD) method is proposed to enable the effective continual learning
from few-shot samples. Specifically, a Double-Branch Framework (DBF) is
proposed to decouple the feature representation of base and novel (few-shot)
class, which facilitates both the old-knowledge retention and new-class
adaption simultaneously. Furthermore, a progressive model updating rule is
carried out to preserve the long-term memory on old classes effectively when
adapt to sequential new classes. Moreover, an inter-task class separation loss
is proposed to extend the decision region of new-coming classes for better
feature discrimination. We conduct experiments on both Pascal VOC and MS-COCO,
which demonstrate that our method can effectively solve the problem of
incremental few-shot detection and significantly improve the detection accuracy
on both base and novel classes.
- Abstract（参考訳）: 実世界のオブジェクト検出は、その検出クラスを漸進的に拡大できる学習拡張性を備えることが望まれる。
さらに、数少ない注釈付きトレーニングサンプルからの学習は、自律運転やロボティクスなど多くのアプリケーションで期待されているオブジェクト検出器の柔軟性をさらに向上させる。
しかし、このような連続的な学習シナリオでは、わずかなショットのトレーニングサンプルが一般的に壊滅的な忘れや劇的な過度な過失を引き起こす。
本稿では,上述した増分的な数ショット学習問題に対処するため,数ショットサンプルからの効果的な連続学習を実現するために,新たにiFSOD法を提案する。
特に、古い知識の保持と新しいクラスへの適応を同時に行うために、base と novel (few-shot) クラスの特徴表現を分離するために、double-branch framework (dbf) が提案されている。
さらに、シーケンシャルな新しいクラスに適応する際に、古いクラスの長期記憶を効果的に保存するプログレッシブモデル更新ルールを実行する。
さらに,新しいクラスの決定領域を拡張し,特徴の識別を改善するために,タスク間分離損失を提案する。
我々はPascal VOCとMS-COCOの両方で実験を行い、本手法がインクリメンタル・ショット検出の問題を効果的に解決し、ベースクラスと新規クラスの両方で検出精度を大幅に向上できることを実証した。
関連論文リスト
- 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) - Activation to Saliency: Forming High-Quality Labels for Unsupervised
Salient Object Detection [54.92703325989853]
本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。
トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。
本フレームワークは,既存のUSOD法と比較して高い性能を示した。
論文 参考訳（メタデータ） (2021-12-07T11:54:06Z) - Multi-View Correlation Distillation for Incremental Object Detection [12.536640582318949]
我々は,新しいtextbfMulti-textbfView textbfCorrelation textbfDistillation (MVCD) を用いたインクリメンタルオブジェクト検出法を提案する。
論文 参考訳（メタデータ） (2021-07-05T04:36:33Z) - Hallucination Improves Few-Shot Object Detection [15.932703834032456]
少数ショット検出を改善する上で重要な要因は、トレーニングデータのばらつきの欠如に対処することだ。
基本クラスから共有クラス内変分を転送することで,新しいクラスの変分モデルを構築することを提案する。
提案手法は,提案手法が異なる2つの最先端の少数ショット検出器の性能向上をもたらす。
論文 参考訳（メタデータ） (2021-05-04T05:19:53Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳（メタデータ） (2021-01-20T11:48:12Z) - SID: Incremental Learning for Anchor-Free Object Detection via Selective
and Inter-Related Distillation [16.281712605385316]
増分学習は、ストリーミングデータから新しいタスクを継続的に学習するモデルを必要とする。
新しいタスクでよく訓練されたディープニューラルネットワークの従来の微調整は、古いタスクのパフォーマンスを劇的に低下させる。
SID(Selective and Inter-related Distillation)と呼ばれる新しい漸進的学習パラダイムを提案する。
論文 参考訳（メタデータ） (2020-12-31T04:12:06Z) - One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。
また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。
提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文 参考訳（メタデータ） (2020-05-08T01:59:23Z) - Incremental Few-Shot Object Detection for Robotics [15.082365880914896]
クラスインクリメンタルなFew-Shot Object Detection (CI-FSOD) フレームワークにより、ディープオブジェクト検出ネットワークは、少数のサンプルから効果的な連続学習を行うことができる。
我々のフレームワークは単純だが有効であり、AP性能において2.4ポイントの差で以前のSOTAより優れています。
論文 参考訳（メタデータ） (2020-05-06T08:05:08Z) - Incremental Object Detection via Meta-Learning [77.55310507917012]
本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。
既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
論文 参考訳（メタデータ） (2020-03-17T13:40:00Z) - Incremental Few-Shot Object Detection [96.02543873402813]
OpeN-ended Centre nEtは、いくつかの例でクラスオブジェクトの検出を漸進的に学習する検出器である。
ONCEはインクリメンタルな学習パラダイムを十分に尊重しており、新しいクラス登録では、数発のトレーニングサンプルを1回だけフォワードパスするだけでよい。
論文 参考訳（メタデータ） (2020-03-10T12:56:59Z)
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。