論文の概要: Seeing BDD100K in dark: Single-Stage Night-time Object Detection via
Continual Fourier Contrastive Learning
- arxiv url: http://arxiv.org/abs/2112.02891v1
- Date: Mon, 6 Dec 2021 09:28:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 01:12:16.618578
- Title: Seeing BDD100K in dark: Single-Stage Night-time Object Detection via
Continual Fourier Contrastive Learning
- Title（参考訳）: BDD100Kの暗視:連続的なフーリエコントラスト学習による一段階夜間物体検出
- Authors: Ujjal Kr Dutta
- Abstract要約: 夜間物体検出は、限られた論文のうち、一様でない評価プロトコルを通して、わずかにのみ研究されている。
本稿では,これら3つのギャップを橋渡しする。
均一な評価プロトコルの欠如(その有効性と効率のため、単段検出器を使用する)。
夜間オブジェクト検出のベンチマークのためのデータセットの選択。
現在の選択肢の限界に対処する新しい方法。
- 参考スコア（独自算出の注目度）: 3.4012007729454816
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Despite tremendous improvements in state-of-the-art object detectors,
addressing object detection in the night-time has been studied only sparsely,
that too, via non-uniform evaluation protocols among the limited available
papers. In addition to the lack of methods to address this problem, there was
also a lack of an adequately large benchmark dataset to study night-time object
detection. Recently, the large scale BDD100K was introduced, which, in our
opinion, should be chosen as the benchmark, to kickstart research in this area.
Now, coming to the methods, existing approaches (limited in number), are mainly
either generative image translation based, or image enhancement/ illumination
based, neither of which is natural, conforming to how humans see objects in the
night time (by focusing on object contours). In this paper, we bridge these 3
gaps: 1. Lack of an uniform evaluation protocol (using a single-stage detector,
due to its efficacy, and efficiency), 2. Choice of dataset for benchmarking
night-time object detection, and 3. A novel method to address the limitations
of current alternatives. Our method leverages a Contrastive Learning based
feature extractor, borrowing information from the frequency domain via Fourier
transformation, and trained in a continual learning based fashion. The learned
features when used for object detection (after fine-tuning the classification
and regression layers), help achieve a new state-of-the-art empirical
performance, comfortably outperforming an extensive number of competitors.
- Abstract（参考訳）: 最先端の物体検出装置の大幅な改善にもかかわらず、夜間の物体検出への取り組みは、限られた論文の中で一様でない評価プロトコルを通じて、あまり研究されていない。
この問題に対処する手法の欠如に加えて、夜間オブジェクト検出を研究するための十分な大規模なベンチマークデータセットも不足していた。
最近、この領域での研究を始めるために、ベンチマークとして選択すべきである、大規模なbdd100kが導入されました。
現在、現在の手法では、既存のアプローチ(数に制限される)は、主に生成的画像翻訳ベースか、あるいは画像強調/照明ベースであり、どちらも自然ではなく、(物体の輪郭に焦点を合わせることによって)人間が夜間に物体を見る方法に準拠している。
本稿では,この3つのギャップを橋渡しする。
1.一様評価プロトコルの欠如(その有効性、効率性による単段検出器の使用)
2.夜間物体検出ベンチマークのためのデータセットの選択及び
3. 現行の代替案の限界に対処する新しい方法
本手法は,コントラスト学習に基づく特徴抽出器を用いて,フーリエ変換を通じて周波数領域から情報を借用し,連続学習に基づく学習を行う。
オブジェクト検出(分類層と回帰層を微調整した後)に使用する学習機能は、新しい最先端の実証的なパフォーマンスを達成するのに役立つ。
関連論文リスト
- Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。
ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。
BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
論文 参考訳（メタデータ） (2024-07-10T18:00:54Z) - Proposal-Contrastive Pretraining for Object Detection from Fewer Data [11.416621957617334]
本稿では,新しい教師なし総合事前学習手法ProSeCoを提案する。
ProSeCoは、コントラスト学習のために検出器によって生成される多数のオブジェクト提案を使用する。
本手法は,標準および新しいベンチマークにおいて,対象検出のための教師なし事前学習において,最先端の手法であることを示す。
論文 参考訳（メタデータ） (2023-10-25T17:59:26Z) - 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) - 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) - Detecting the unknown in Object Detection [20.84221126313118]
我々は、アノテーションを必要とせずに未知のオブジェクトを予測できるUNKADと呼ばれる新しいトレーニング戦略を提案する。
UNKADはまず未知のオブジェクトを識別し、擬似ラベルを使用して未知のクラスをトレーニングする。
UNKADは未知の物体を直接検出できるが、従来の未知の検出技術と組み合わせることで、コストなしで性能を向上できることを示す。
論文 参考訳（メタデータ） (2022-08-24T16:27:38Z) - Analysis of voxel-based 3D object detection methods efficiency for
real-time embedded systems [93.73198973454944]
本稿では, ボクセルをベースとした2つの3次元物体検出手法について述べる。
実験の結果,これらの手法は入力点雲が遠距離にあるため,遠距離の小さな物体を検出できないことが確認できた。
この結果から,既存手法の計算のかなりの部分は,検出に寄与しないシーンの位置に着目していることが示唆された。
論文 参考訳（メタデータ） (2021-05-21T12:40:59Z) - QuickBrowser: A Unified Model to Detect and Read Simple Object in
Real-time [3.098115480186737]
本研究では,多桁認識を1段階物体検出モデルに組み込むことにより,この検出と読み取りの問題を軽量に解決することを目的とする。
アーキテクチャ、損失関数、データ拡張、トレーニングにおけるバックボーンと修正の選択は、このメソッドを堅牢で効率的かつ高速にします。
論文 参考訳（メタデータ） (2021-02-15T05:47:40Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳（メタデータ） (2020-11-17T09:39:42Z) - A Self-Training Approach for Point-Supervised Object Detection and
Counting in Crowds [54.73161039445703]
本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。
トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。
実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-25T02:14:42Z) - Frustratingly Simple Few-Shot Object Detection [98.42824677627581]
希少なクラスにおける既存検出器の最後の層のみを微調整することは、数発の物体検出タスクに不可欠である。
このような単純なアプローチは、現在のベンチマークで約220ポイントのメタ学習方法より優れている。
論文 参考訳（メタデータ） (2020-03-16T00:29:14Z)
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。