論文の概要: Meta Guided Metric Learner for Overcoming Class Confusion in Few-Shot Road Object Detection

• arxiv url: http://arxiv.org/abs/2110.15074v1
• Date: Thu, 28 Oct 2021 12:51:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 15:25:19.537896
• Title: Meta Guided Metric Learner for Overcoming Class Confusion in Few-Shot Road Object Detection
• Title（参考訳）: Few-Shot Road Object Detectionにおけるクラス融合の克服のためのメタガイドメトリック学習
• Authors: Anay Majee and Anbumani Subramanian and Kshitij Agrawal
• Abstract要約: Few-Shot Object Detection技術は、既存のベースオブジェクトクラスからの知識を拡張して、新しいロードオブジェクトを学習する。 FSODにおけるクラス混乱を克服する新しいメタガイドメトリック(MGML)を提案する。 本手法は,インド・ドライビング・ラーナー・データセット上でのFSOD(State-of-the-Art)アプローチよりも優れている。
• 参考スコア（独自算出の注目度）: 0.3867363075280544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Localization and recognition of less-occurring road objects have been a challenge in autonomous driving applications due to the scarcity of data samples. Few-Shot Object Detection techniques extend the knowledge from existing base object classes to learn novel road objects given few training examples. Popular techniques in FSOD adopt either meta or metric learning techniques which are prone to class confusion and base class forgetting. In this work, we introduce a novel Meta Guided Metric Learner (MGML) to overcome class confusion in FSOD. We re-weight the features of the novel classes higher than the base classes through a novel Squeeze and Excite module and encourage the learning of truly discriminative class-specific features by applying an Orthogonality Constraint to the meta learner. Our method outperforms State-of-the-Art (SoTA) approaches in FSOD on the India Driving Dataset (IDD) by upto 11 mAP points while suffering from the least class confusion of 20% given only 10 examples of each novel road object. We further show similar improvements on the few-shot splits of PASCAL VOC dataset where we outperform SoTA approaches by upto 5.8 mAP accross all splits.
• Abstract（参考訳）: 未完成の道路物体のローカライズと認識は、データサンプルの不足のため、自動運転アプリケーションにおいて課題となっている。 数少ないオブジェクト検出技術は、トレーニング例の少ない新しいロードオブジェクトを学ぶために、既存のベースオブジェクトクラスから知識を拡張する。 FSODの一般的なテクニックは、クラス混乱やベースクラスの忘れがちなメタまたはメトリック学習技術を採用する。 本稿では,FSODにおけるクラス混乱を克服するためのメタガイドメトリック学習者(MGML)について紹介する。 我々は,新しいSqueeze and Exciteモジュールを通じて,基本クラスよりも上位のクラスの特徴を再重み付けし,メタ学習者にオルソゴン性制約を適用することで,真に差別的なクラス固有の特徴の学習を促す。 提案手法は,インド運転データセット(IDD)におけるFSOD(State-of-the-Art)アプローチを最大11mAPポイントで上回り,新規道路対象の10例に限って20%の混乱を経験する。 さらに、pascal vocデータセットの、最大5.8 map accrossでsotaアプローチを上回る、わずかな分割についても同様の改善を示します。

関連論文リスト

• Semantic Enhanced Few-shot Object Detection [37.715912401900745]
  本稿では, セマンティックな埋め込みを利用してより優れた検出を行う, 微調整に基づくFSODフレームワークを提案する。 提案手法は,各新規クラスが類似の基底クラスと混同されることなく,コンパクトな特徴空間を構築することを可能にする。
  論文  参考訳（メタデータ） (2024-06-19T12:40:55Z)
• Enhancing Visual Continual Learning with Language-Guided Supervision [76.38481740848434]
  継続的な学習は、モデルが以前獲得した知識を忘れずに新しいタスクを学習できるようにすることを目的としている。 ワンホットラベルが伝達する少ない意味情報は,タスク間の効果的な知識伝達を妨げている,と我々は主張する。 具体的には, PLM を用いて各クラスのセマンティックターゲットを生成し, 凍結し, 監視信号として機能する。
  論文  参考訳（メタデータ） (2024-03-24T12:41:58Z)
• Open-Vocabulary Object Detection with Meta Prompt Representation and Instance Contrastive Optimization [63.66349334291372]
  本稿ではメタプロンプトとインスタンスコントラスト学習(MIC)方式を用いたフレームワークを提案する。 まず、クラスとバックグラウンドのプロンプトを学習するプロンプトが新しいクラスに一般化するのを助けるために、新しいクラスエマージシナリオをシミュレートする。 第二に、クラス内コンパクト性とクラス間分離を促進するためのインスタンスレベルのコントラスト戦略を設計し、新しいクラスオブジェクトに対する検出器の一般化に寄与する。
  論文  参考訳（メタデータ） (2024-03-14T14:25:10Z)
• MetaGCD: Learning to Continually Learn in Generalized Category Discovery [26.732455383707798]
  事前に定義されたクラスでトレーニングされたモデルが、ラベルのないデータに絶えず遭遇する実世界のシナリオを考察する。 目標は、既知のクラスのパフォーマンスを維持しながら、新しいクラスを継続的に発見することである。 そこで我々はMetaGCDと呼ばれる手法を提案し,忘れることなく漸進的に発見する方法を学習する。
  論文  参考訳（メタデータ） (2023-08-21T22:16:49Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)
• Few-Shot Object Detection via Association and DIscrimination [83.8472428718097]
  AssociationとDIscriminationによるオブジェクト検出は、新しいクラスごとに2つのステップで識別可能な特徴空間を構築している。 Pascal VOCとMS-COCOデータセットの実験では、FADIは新しいSOTAパフォーマンスを実現し、ショット/スプリットのベースラインを+18.7で大幅に改善した。
  論文  参考訳（メタデータ） (2021-11-23T05:04:06Z)
• Attention Guided Cosine Margin For Overcoming Class-Imbalance in Few-Shot Road Object Detection [5.821060995749903]
  Few-shot Object Detection (FSOD)は、少数のデータサンプルのみを与えられた画像内のオブジェクトをローカライズし、分類する。 FSOD研究の最近の傾向は、破滅的な忘れ込みや階級混乱につながるメトリックとメタラーニング技術の採用を示している。 我々は、より厳密で適切に分離されたクラス固有の特徴クラスタの作成を容易にするAttention Guided Cosine Margin (AGCM)を紹介します。
  論文  参考訳（メタデータ） (2021-11-12T10:11:56Z)
• 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)

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。