論文の概要: A Survey of Deep Learning for Low-Shot Object Detection
- arxiv url: http://arxiv.org/abs/2112.02814v4
- Date: Wed, 25 Oct 2023 12:44:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-28 07:05:40.524781
- 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, Mengqi Xue, Jie Song, Mingli Song
- Abstract要約: Low-Shot Object Detection (LSOD)は、アノテーション付きのサンプルからオブジェクトを検出する新しい研究トピックである。
本調査ではLSOD法について概観する。
- 参考スコア（独自算出の注目度）: 44.20187548691372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object detection has achieved a huge breakthrough with deep neural networks
and massive annotated data. However, current detection methods cannot be
directly transferred to the scenario where the annotated data is scarce due to
the severe overfitting problem. Although few-shot learning and zero-shot
learning have been extensively explored in the field of image classification,
it is indispensable to design new methods for object detection in the
data-scarce scenario since object detection has an additional challenging
localization task. Low-Shot Object Detection (LSOD) is an emerging research
topic of detecting objects from a few or even no annotated samples, consisting
of One-Shot Object Detection (OSOD), Few-Shot Object Detection (FSOD) and
Zero-Shot Object Detection (ZSD). This survey provides a comprehensive review
of LSOD methods. First, we propose a thorough taxonomy of LSOD methods and
analyze them systematically, comprising some extensional topics of LSOD
(semi-supervised LSOD, weakly-supervised LSOD, and incremental LSOD). Then, we
indicate the pros and cons of current LSOD methods with a comparison of their
performance. Finally, we discuss the challenges and promising directions of
LSOD to provide guidance for future works.
- Abstract（参考訳）: オブジェクト検出は、ディープニューラルネットワークと大量の注釈付きデータによって大きなブレークスルーを達成した。
しかし、現在の検出方法は、過度な過剰フィッティング問題により、注釈付きデータが不足しているシナリオに直接転送することはできない。
画像分類の分野では少ないショット学習とゼロショット学習が広く研究されているが、オブジェクト検出には新たな課題のあるローカライズタスクがあるため、データ収集シナリオにおける新たなオブジェクト検出方法を設計することは不可欠である。
low-shot object detection (lsod) は、one-shot object detection (osod)、 few-shot object detection (fsod)、zero-shot object detection (zsd) などの注釈付きサンプルからオブジェクトを検出する新たな研究テーマである。
本調査ではLSOD法について概観する。
まず,LSOD法(半教師型LSOD,弱教師型LSOD,漸進型LSOD)の拡張的なトピックを含むLSOD法を網羅し,系統的に解析する。
次に,現在のlsod法の長所と短所を,その性能の比較により示す。
最後に,今後の作業へのガイダンスを提供するためのlsod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。