論文の概要: Label, Verify, Correct: A Simple Few Shot Object Detection Method
- arxiv url: http://arxiv.org/abs/2112.05749v1
- Date: Fri, 10 Dec 2021 18:59:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-13 14:44:57.833956
- Title: Label, Verify, Correct: A Simple Few Shot Object Detection Method
- Title（参考訳）: Label, Verify, correct: A Simple Few Shot Object Detection Method
- Authors: Prannay Kaul, Weidi Xie, Andrew Zisserman
- Abstract要約: トレーニングセットから高品質な擬似アノテーションを抽出するための簡単な擬似ラベリング手法を提案する。
擬似ラベリングプロセスの精度を向上させるための2つの新しい手法を提案する。
提案手法は,既存手法と比較して,最先端ないし第2の性能を実現する。
- 参考スコア（独自算出の注目度）: 93.84801062680786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The objective of this paper is few-shot object detection (FSOD) -- the task
of expanding an object detector for a new category given only a few instances
for training. We introduce a simple pseudo-labelling method to source
high-quality pseudo-annotations from the training set, for each new category,
vastly increasing the number of training instances and reducing class
imbalance; our method finds previously unlabelled instances. Na\"ively training
with model predictions yields sub-optimal performance; we present two novel
methods to improve the precision of the pseudo-labelling process: first, we
introduce a verification technique to remove candidate detections with
incorrect class labels; second, we train a specialised model to correct poor
quality bounding boxes. After these two novel steps, we obtain a large set of
high-quality pseudo-annotations that allow our final detector to be trained
end-to-end. Additionally, we demonstrate our method maintains base class
performance, and the utility of simple augmentations in FSOD. While
benchmarking on PASCAL VOC and MS-COCO, our method achieves state-of-the-art or
second-best performance compared to existing approaches across all number of
shots.
- Abstract（参考訳）: 本論文の目的は, 少数の訓練例に限って, 対象物検出装置を新たなカテゴリに拡張する作業として, 少ショット物体検出 (FSOD) を行うことである。
本稿では,新しいカテゴリごとに,訓練セットから高品質な擬似アノテーションを抽出し,トレーニングインスタンス数を大幅に増加させ,クラス不均衡を低減させる単純な擬似ラベル手法を提案する。
まず,不正なクラスラベルによる候補検出を除去した検証手法と,品質の悪いバウンダリングボックスの修正のために特殊化したモデルを訓練する手法を提案する。
これら2つの新しいステップの後に、最終的な検出器をエンドツーエンドで訓練できる高品質な擬似注釈のセットを得る。
さらに,本手法は基本クラス性能を維持し,fsodにおける簡易拡張の有用性を示す。
PASCAL VOCとMS-COCOのベンチマークでは,全てのショットに対する既存手法と比較して,最先端ないし第2のベスト性能を実現している。
関連論文リスト
- Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple
Logits Retargeting Approach [102.0769560460338]
我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。
提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2024-03-01T03:27:08Z) - Activation to Saliency: Forming High-Quality Labels for Unsupervised
Salient Object Detection [54.92703325989853]
本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。
トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。
本フレームワークは,既存のUSOD法と比較して高い性能を示した。
論文 参考訳（メタデータ） (2021-12-07T11:54:06Z) - Plug-and-Play Few-shot Object Detection with Meta Strategy and Explicit
Localization Inference [78.41932738265345]
本稿では, 微調整を行なわずに新しいカテゴリーの物体を正確に検出できるプラグ検出器を提案する。
局所化プロセスに2つの明示的な推論を導入し、アノテーション付きデータへの依存を減らす。
これは、様々な評価プロトコルの下で、効率、精度、リコールの両方において大きなリードを示している。
論文 参考訳（メタデータ） (2021-10-26T03:09:57Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳（メタデータ） (2021-01-20T11:48:12Z) - 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。