論文の概要: Static-Dynamic Co-Teaching for Class-Incremental 3D Object Detection

• arxiv url: http://arxiv.org/abs/2112.07241v1
• Date: Tue, 14 Dec 2021 09:03:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-15 16:04:35.395621
• Title: Static-Dynamic Co-Teaching for Class-Incremental 3D Object Detection
• Title（参考訳）: クラスインクリメンタル3次元物体検出のための静的動的共学学習
• Authors: Na Zhao and Gim Hee Lee
• Abstract要約: ディープラーニングアプローチは、3Dオブジェクト検出タスクにおいて顕著なパフォーマンスを示している。 古いデータを再考することなく、新しいクラスを漸進的に学習するときに、破滅的なパフォーマンス低下に悩まされる。 この「破滅的な忘れ物」現象は、現実世界のシナリオにおける3Dオブジェクト検出アプローチの展開を妨げる。 SDCoTは,新しい静的なコティーチング手法である。
• 参考スコア（独自算出の注目度）: 71.18882803642526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based approaches have shown remarkable performance in the 3D object detection task. However, they suffer from a catastrophic performance drop on the originally trained classes when incrementally learning new classes without revisiting the old data. This "catastrophic forgetting" phenomenon impedes the deployment of 3D object detection approaches in real-world scenarios, where continuous learning systems are needed. In this paper, we study the unexplored yet important class-incremental 3D object detection problem and present the first solution - SDCoT, a novel static-dynamic co-teaching method. Our SDCoT alleviates the catastrophic forgetting of old classes via a static teacher, which provides pseudo annotations for old classes in the new samples and regularizes the current model by extracting previous knowledge with a distillation loss. At the same time, SDCoT consistently learns the underlying knowledge from new data via a dynamic teacher. We conduct extensive experiments on two benchmark datasets and demonstrate the superior performance of our SDCoT over baseline approaches in several incremental learning scenarios.
• Abstract（参考訳）: ディープラーニングに基づくアプローチは、3Dオブジェクト検出タスクにおいて顕著なパフォーマンスを示している。 しかし、古いデータを再考することなく、新しいクラスを漸進的に学習するときに、元々訓練されたクラスで破滅的なパフォーマンス低下に悩まされる。 この「破滅的な忘れ物」現象は、継続的学習システムが必要な現実のシナリオに3Dオブジェクト検出アプローチを配置することを妨げる。 本稿では,非探索的ながら重要な3次元オブジェクト検出問題について検討し,新しい静的・ダイナミック・コティーチング法であるSDCoTについて述べる。 SDCoTは, 従来の知識を蒸留損失で抽出することで, 古いクラスに対する疑似アノテーションを新しいサンプルで提供し, 現在のモデルを標準化する静的教師を通して, 古いクラスの破滅的な忘れを緩和する。 それと同時に、SDCoTは動的教師を通して新しいデータから基礎となる知識を一貫して学習する。 2つのベンチマークデータセットに対して広範な実験を行い、いくつかの漸進的な学習シナリオにおいてベースラインアプローチよりもSDCoTの方が優れた性能を示す。

関連論文リスト

• Foundation Model-Powered 3D Few-Shot Class Incremental Learning via Training-free Adaptor [9.54964908165465]
  本稿では,3Dポイントクラウド環境におけるFew-Shot連続インクリメンタルラーニング問題に対処する新しい手法を提案する。 私たちは、ポイントクラウドデータに基づいて広範囲にトレーニングされた基礎的な3Dモデルを活用します。 このアプローチでは、二重キャッシュシステムを使用します。まず、モデルの予測にどれだけ自信があるかに基づいて、以前のテストサンプルを使用し、次に、オーバーフィッティングを防ぐために、少数の新しいタスクサンプルを含んでいます。
  論文  参考訳（メタデータ） (2024-10-11T20:23:00Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [62.663113296987085]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータに基づいて漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 冗長特徴除去器(RFE)と空間ノイズ補償器(SNC)の2つの新しいコンポーネントを紹介する。 既存の3次元データセットの不均衡を考慮し、3次元FSCILモデルのより微妙な評価を提供する新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• I3DOD: Towards Incremental 3D Object Detection via Prompting [31.75287371048825]
  本稿では,新たなインクリメンタル3Dオブジェクト検出フレームワークを提案する。 具体的には、オブジェクトの局所化情報とカテゴリの意味情報とのマッチング関係を学習するためのタスク共有プロンプト機構を提案する。 本手法は,mAP@0.25における最先端物体検出法を0.6%～2.7%向上させる。
  論文  参考訳（メタデータ） (2023-08-24T02:54:38Z)
• SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video Anomaly Detection [108.57862846523858]
  自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。 マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。 モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
  論文  参考訳（メタデータ） (2022-07-16T19:25:41Z)
• Stereo Neural Vernier Caliper [57.187088191829886]
  学習に基づくステレオ3Dオブジェクト検出のための新しいオブジェクト中心フレームワークを提案する。 初期3次元立方体推定値から改良された更新を予測する方法の問題に対処する。 提案手法は,KITTIベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-21T14:36:07Z)
• Multi-View Correlation Distillation for Incremental Object Detection [12.536640582318949]
  我々は,新しいtextbfMulti-textbfView textbfCorrelation textbfDistillation (MVCD) を用いたインクリメンタルオブジェクト検出法を提案する。
  論文  参考訳（メタデータ） (2021-07-05T04:36:33Z)
• Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
  オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。 再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。 本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-30T17:57:01Z)
• Two-Level Residual Distillation based Triple Network for Incremental Object Detection [21.725878050355824]
  本稿では,より高速なR-CNNに基づく新しいインクリメンタルオブジェクト検出手法を提案する。 従来の学習知識を忘れることなく、新しいクラスでの漸進的なモデル学習を支援するためのアシスタントとして、古いモデルと残留モデルを使用する三重ネットワークである。
  論文  参考訳（メタデータ） (2020-07-27T11:04:57Z)
• 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。