論文の概要: A Survey of Self-Supervised and Few-Shot Object Detection

• arxiv url: http://arxiv.org/abs/2110.14711v1
• Date: Wed, 27 Oct 2021 18:55:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 13:42:41.326330
• Title: A Survey of Self-Supervised and Few-Shot Object Detection
• Title（参考訳）: セルフ・スーパービジョンとFew-Shot物体検出に関する調査
• Authors: Gabriel Huang, Issam Laradji, David Vazquez, Simon Lacoste-Julien, Pau Rodriguez
• Abstract要約: 自己教師付き手法は、オブジェクト検出などの下流タスクにうまく転送されるラベルのないデータから表現を学習することを目的としている。 ほとんどショットされていないオブジェクト検出は、ほとんどデータを持たない新しい(見えない)オブジェクトクラスのモデルをトレーニングすることです。 本調査では, 少数ショット・自己監督型物体検出における最新のアプローチを概観し, 特徴付けする。
• 参考スコア（独自算出の注目度）: 19.647681501581225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Labeling data is often expensive and time-consuming, especially for tasks such as object detection and instance segmentation, which require dense labeling of the image. While few-shot object detection is about training a model on novel (unseen) object classes with little data, it still requires prior training on many labeled examples of base (seen) classes. On the other hand, self-supervised methods aim at learning representations from unlabeled data which transfer well to downstream tasks such as object detection. Combining few-shot and self-supervised object detection is a promising research direction. In this survey, we review and characterize the most recent approaches on few-shot and self-supervised object detection. Then, we give our main takeaways and discuss future research directions.
• Abstract（参考訳）: 画像の濃密なラベル付けを必要とするオブジェクト検出やインスタンスセグメンテーションといったタスクにおいて、ラベル付けデータは高価で時間を要することが多い。 少数ショットのオブジェクト検出は、少ないデータで新しい(未熟な)オブジェクトクラスでモデルをトレーニングすることですが、それでもベース(seen)クラスのラベル付き例の多くの事前トレーニングが必要です。 一方、自己教師型手法は、オブジェクト検出などの下流タスクにうまく転送されるラベルのないデータから表現を学習することを目的としている。 少数ショットと自己監督型オブジェクト検出の組み合わせは、有望な研究方向である。 本調査では, 少数ショットおよび自己監督型物体検出における最新のアプローチをレビューし, 特徴付ける。 そして、まず第一に、今後の研究の方向性について論じる。

関連論文リスト

• Unsupervised learning based object detection using Contrastive Learning [6.912349403119665]
  本研究では,教師なし・自己教師型学習を通じて,単段階物体検出装置を訓練するための画期的な手法を提案する。 我々の最先端のアプローチはラベリングプロセスに革命をもたらす可能性を秘めており、手動アノテーションに関連する時間とコストを大幅に削減する。 我々は、画像間のコントラスト学習という概念を創始し、重要な位置情報の取得を可能にした。
  論文  参考訳（メタデータ） (2024-02-21T01:44:15Z)
• 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)
• 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)
• A Comparative Review of Recent Few-Shot Object Detection Algorithms [0.0]
  ラベル付きデータで新しいクラスに適応するために学習するオブジェクトの少ない検出は、命令的で長期にわたる問題である。 近年の研究では、ターゲットドメインを監督せずに追加データセットに暗黙の手がかりを使って、少数のショット検出器が堅牢なタスク概念を洗練させる方法が研究されている。
  論文  参考訳（メタデータ） (2021-10-30T07:57:11Z)
• 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)
• Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
  近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
  論文  参考訳（メタデータ） (2021-05-27T23:34:06Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Class-agnostic Object Detection [16.97782147401037]
  本稿では,オブジェクトのクラスに関係なくオブジェクトを検出することに焦点を当てた新しい問題として,クラスに依存しないオブジェクト検出を提案する。 具体的には、イメージ内のすべてのオブジェクトのバウンディングボックスを予測することであり、オブジェクトクラスではない。 本稿では,この領域における今後の研究を進めるために,クラス非依存検出器のベンチマークのためのトレーニングおよび評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2020-11-28T19:22:38Z)
• Closing the Generalization Gap in One-Shot Object Detection [92.82028853413516]
  強力な数ショット検出モデルの鍵は、高度なメトリック学習アプローチではなく、カテゴリの数をスケールすることにある。 将来的なデータアノテーションの取り組みは、より広範なデータセットに集中し、より多くのカテゴリにアノテートする必要がある。
  論文  参考訳（メタデータ） (2020-11-09T09:31:17Z)
• Few-shot Object Detection with Self-adaptive Attention Network for Remote Sensing Images [11.938537194408669]
  本報告では, ごく一部の例で提供される新しい物体を検出するために設計された, 数発の物体検出器を提案する。 対象物検出設定に適合するため,本提案では,全画像ではなく対象物レベルの関係に焦点を合わせている。 本実験は, 撮影シーンにおける提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2020-09-26T13:44:58Z)

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。