論文の概要: Contrastive Object Detection Using Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2112.11366v1
• Date: Tue, 21 Dec 2021 17:10:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 14:09:02.372819
• Title: Contrastive Object Detection Using Knowledge Graph Embeddings
• Title（参考訳）: 知識グラフ埋め込みを用いたコントラスト物体検出
• Authors: Christopher Lang, Alexander Braun, Abhinav Valada
• Abstract要約: 一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。 本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
• 参考スコア（独自算出の注目度）: 72.17159795485915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object recognition for the most part has been approached as a one-hot problem that treats classes to be discrete and unrelated. Each image region has to be assigned to one member of a set of objects, including a background class, disregarding any similarities in the object types. In this work, we compare the error statistics of the class embeddings learned from a one-hot approach with semantically structured embeddings from natural language processing or knowledge graphs that are widely applied in open world object detection. Extensive experimental results on multiple knowledge-embeddings as well as distance metrics indicate that knowledge-based class representations result in more semantically grounded misclassifications while performing on par compared to one-hot methods on the challenging COCO and Cityscapes object detection benchmarks. We generalize our findings to multiple object detection architectures by proposing a knowledge-embedded design for keypoint-based and transformer-based object detection architectures.
• Abstract（参考訳）: オブジェクト認識のほとんどは、クラスを離散的で非関連であるように扱う1ホット問題としてアプローチされてきた。 各画像領域は、背景クラスを含むオブジェクトのセットの1つのメンバーに割り当てられ、オブジェクトタイプの類似性を無視しなければならない。 本研究では,オープンワールドのオブジェクト検出に広く適用される自然言語処理や知識グラフから意味的に構造化された組込みと,ワンホットなアプローチで学習した組込みのエラー統計を比較する。 複数の知識埋め込みと距離測定値の大規模な実験結果から,知識に基づくクラス表現は,COCOやCityscapesのオブジェクト検出ベンチマークの1ホット手法と比較して,より意味論的に基底化された誤分類をもたらすことが示された。 本研究は,キーポイント型およびトランスフォーマー型オブジェクト検出アーキテクチャのための知識組み込み設計を提案することにより,複数のオブジェクト検出アーキテクチャに一般化する。

関連論文リスト

• CoTDet: Affordance Knowledge Prompting for Task Driven Object Detection [42.2847114428716]
  タスク駆動オブジェクト検出は、イメージ内のタスクを提供するのに適したオブジェクトインスタンスを検出することを目的としている。 その課題は、従来のオブジェクト検出のためのクローズドなオブジェクト語彙に制限されるほど多様すぎるタスクのために利用できるオブジェクトカテゴリにある。 本稿では,オブジェクトカテゴリではなく,異なるオブジェクトが同じタスクを達成できる共通属性について検討する。
  論文  参考訳（メタデータ） (2023-09-03T06:18:39Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Robust Region Feature Synthesizer for Zero-Shot Object Detection [87.79902339984142]
  我々は,クラス内セマンティック・ディバージングコンポーネントとクラス間構造保存コンポーネントを含む,新しいゼロショットオブジェクト検出フレームワークを構築した。 リモートセンシング画像においてゼロショット物体検出を行う最初の研究である。
  論文  参考訳（メタデータ） (2022-01-01T03:09:15Z)
• Objects in Semantic Topology [36.297624587122506]
  認定されたオープンワールドオブジェクト検出器は、既知のカテゴリのオブジェクトを識別できるだけでなく、未知のオブジェクトも発見できる。 我々は統一された視点:意味的トポロジーを提供する。 実験により、ランダムに生成されたか、十分に訓練された言語モデルから派生したセマンティックトポロジーが、現在の最先端のオープンワールドオブジェクト検出器より優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-06T12:15:30Z)
• A Survey of Modern Deep Learning based Object Detection Models [0.7388859384645263]
  この記事では、ディープラーニングベースのオブジェクト検出器の最近の開発を調査します。 ベンチマークデータセットと検出に使用される評価メトリクスの概要を提供する。 また、エッジデバイスで使用される現代の軽量な分類モデルもカバーしている。
  論文  参考訳（メタデータ） (2021-04-24T06:33:54Z)
• Class-agnostic Object Detection [16.97782147401037]
  本稿では,オブジェクトのクラスに関係なくオブジェクトを検出することに焦点を当てた新しい問題として,クラスに依存しないオブジェクト検出を提案する。 具体的には、イメージ内のすべてのオブジェクトのバウンディングボックスを予測することであり、オブジェクトクラスではない。 本稿では,この領域における今後の研究を進めるために,クラス非依存検出器のベンチマークのためのトレーニングおよび評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2020-11-28T19:22:38Z)
• 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)
• Synthesizing the Unseen for Zero-shot Object Detection [72.38031440014463]
  そこで本研究では,視覚領域における視覚的特徴と視覚的対象の両方を学習するために,視覚的特徴を合成することを提案する。 クラスセマンティックスを用いた新しい生成モデルを用いて特徴を生成するだけでなく,特徴を識別的に分離する。
  論文  参考訳（メタデータ） (2020-10-19T12:36:11Z)
• Look-into-Object: Self-supervised Structure Modeling for Object Recognition [71.68524003173219]
  我々は,自己スーパービジョンを取り入れた「対象」(具体的かつ内在的に対象構造をモデル化する)を提案する。 認識バックボーンは、より堅牢な表現学習のために大幅に拡張可能であることを示す。 提案手法は汎用オブジェクト認識(ImageNet)や細粒度オブジェクト認識タスク(CUB, Cars, Aircraft)など,多数のベンチマークにおいて大きなパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-03-31T12:22:51Z)
• Evaluating Salient Object Detection in Natural Images with Multiple Objects having Multi-level Saliency [3.464871689508835]
  正当性オブジェクト検出は、ラベルが正当性オブジェクトクラスと背景を持つバイナリ基底真理を用いて評価される。 我々のデータセットは、SalMoN(複数オブジェクトの自然画像の可用性)と呼ばれ、複数のオブジェクトを含む588の画像を持つ。
  論文  参考訳（メタデータ） (2020-03-19T00:06:40Z)

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。