論文の概要: A Survey of Deep Learning for Low-Shot Object Detection

• arxiv url: http://arxiv.org/abs/2112.02814v1
• Date: Mon, 6 Dec 2021 06:56:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 05:52:07.973267
• Title: A Survey of Deep Learning for Low-Shot Object Detection
• Title（参考訳）: 低ショット物体検出のためのディープラーニングの検討
• Authors: Qihan Huang, Haofei Zhang, Jie Song, Mingli Song
• Abstract要約: Low-Shot Object Detection (LSOD)は、ラベル付きデータからオブジェクトを検出することを目的としている。 本稿では,深層学習に基づくFSODとZSDの総合的な調査を行う。
• 参考スコア（独自算出の注目度）: 28.187709808270586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection is a fundamental task in computer vision and image processing. Current deep learning based object detectors have been highly successful with abundant labeled data. But in real life, it is not guaranteed that each object category has enough labeled samples for training. These large object detectors are easy to overfit when the training data is limited. Therefore, it is necessary to introduce few-shot learning and zero-shot learning into object detection, which can be named low-shot object detection together. Low-Shot Object Detection (LSOD) aims to detect objects from a few or even zero labeled data, which can be categorized into few-shot object detection (FSOD) and zero-shot object detection (ZSD), respectively. This paper conducts a comprehensive survey for deep learning based FSOD and ZSD. First, this survey classifies methods for FSOD and ZSD into different categories and discusses the pros and cons of them. Second, this survey reviews dataset settings and evaluation metrics for FSOD and ZSD, then analyzes the performance of different methods on these benchmarks. Finally, this survey discusses future challenges and promising directions for FSOD and ZSD.
• Abstract（参考訳）: 物体検出はコンピュータビジョンと画像処理の基本的な課題である。 現在のディープラーニングに基づくオブジェクト検出器は、豊富なラベル付きデータで非常に成功している。 しかし、実生活では、各オブジェクトカテゴリがトレーニングのために十分なラベル付きサンプルを持つことは保証されていない。 これらの大きな物体検出器は、トレーニングデータに制限がある場合、オーバーフィットしやすい。 したがって、低ショット物体検出と併せて命名できるオブジェクト検出に、少数ショット学習とゼロショット学習を導入する必要がある。 Low-Shot Object Detection (LSOD) は、少数のまたはゼロのラベル付きデータからオブジェクトを検出することを目的としており、これはそれぞれ、小ショットオブジェクト検出 (FSOD) とゼロショットオブジェクト検出 (ZSD) に分類できる。 本稿では,深層学習に基づくFSODとZSDの総合的な調査を行う。 まず、FSODとZSDの手法を異なるカテゴリに分類し、それらの長所と短所について考察する。 第2に, fsod と zsd のデータセットの設定と評価指標をレビューし, これらのベンチマークで異なる手法の性能を分析する。 最後に,FSODとZSDの今後の課題と今後の方向性について述べる。

関連論文リスト

• Beyond Few-shot Object Detection: A Detailed Survey [25.465534270637523]
  研究者たちは、数発の学習とオブジェクト検出の原則を融合させる、数発のオブジェクト検出(FSOD)アプローチを導入した。 これらのアプローチは、広範なラベル付きデータセットへの依存を減らす上で重要な役割を果たす。 本研究の目的は,上記の数ショット設定を包括的に理解し,各FSODタスクの方法論を探索することである。
  論文  参考訳（メタデータ） (2024-08-26T13:09:23Z)
• Few-Shot Object Detection: Research Advances and Challenges [15.916463121997843]
  Few-shot Object Detection (FSOD)は、少数の学習技術とオブジェクト検出技術を組み合わせて、注釈付きサンプルに制限のある新しいオブジェクトに迅速に適応する。 本稿では,近年のFSOD分野の進歩を概観する包括的調査を行う。
  論文  参考訳（メタデータ） (2024-04-07T03:37:29Z)
• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• Remote Sensing Object Detection Meets Deep Learning: A Meta-review of Challenges and Advances [51.70835702029498]
  本稿では,ディープラーニングに基づくRSOD手法の最近の成果を概観する。 RSODの主な課題として,マルチスケールオブジェクト検出,回転オブジェクト検出,弱いオブジェクト検出,小さなオブジェクト検出,限られた監視を伴うオブジェクト検出の5つを挙げる。 また、RSODの分野で広く使用されているベンチマークデータセットと評価指標、およびRSODのアプリケーションシナリオについてもレビューする。
  論文  参考訳（メタデータ） (2023-09-13T06:48:32Z)
• Improved Region Proposal Network for Enhanced Few-Shot Object Detection [23.871860648919593]
  Few-shot Object Detection (FSOD) メソッドは、古典的なオブジェクト検出手法の限界に対する解決策として登場した。 FSODトレーニング段階において,未ラベルの新規物体を正のサンプルとして検出し,利用するための半教師付きアルゴリズムを開発した。 地域提案ネットワーク(RPN)の階層的サンプリング戦略の改善により,大規模オブジェクトに対するオブジェクト検出モデルの認識が向上する。
  論文  参考訳（メタデータ） (2023-08-15T02:35:59Z)
• 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)
• 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)
• Deep Learning for Weakly-Supervised Object Detection and Object Localization: A Survey [37.545083067084306]
  Wakly-Supervised Object Detection (WSOD) と Localization (WSOL) は長年にわたるCVタスクである。 オブジェクト検出におけるディープニューラルネットワークの成功により、WSODとWSOLはどちらも前例のない注目を集めている。 深層学習時代には,WSOD法やWSOL法など数多くの技術が提案されている。
  論文  参考訳（メタデータ） (2021-05-26T17:15:53Z)
• Progressive Object Transfer Detection [84.48927705173494]
  本稿では,新しいプログレッシブオブジェクト転送検出(POTD)フレームワークを提案する。 第一に、POTDは様々なドメインの様々なオブジェクトを効果的にプログレッシブな検出手順に活用することができる。 第2に、POTDは2つの微妙な転送段階、すなわち、LSTD(low-Shot Transfer Detection)とWSTD(Weakly Supervised Transfer Detection)から構成される。
  論文  参考訳（メタデータ） (2020-02-12T00:16:24Z)

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。