論文の概要: Iterative Correlation-based Feature Refinement for Few-shot Counting

• arxiv url: http://arxiv.org/abs/2201.08959v1
• Date: Sat, 22 Jan 2022 03:27:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 15:19:38.301314
• Title: Iterative Correlation-based Feature Refinement for Few-shot Counting
• Title（参考訳）: ファウショットカウントのための反復相関に基づく特徴量補正
• Authors: Zhiyuan You, Kai Yang, Wenhan Luo, Xin Lu, Lei Cui, Xinyi Le
• Abstract要約: 少ないショットカウントは、同じクラスのいくつかの例にのみ与えられるイメージにおいて、任意のクラスのオブジェクトをカウントすることを目的としている。 既存の相関に基づくいくつかのショットカウントアプローチは、相関の粗さと意味の低いレベルに悩まされている。 本稿では,画像と画像の相関関係に基づいて,その特徴を段階的に洗練する反復的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 35.27237393354539
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot counting aims to count objects of any class in an image given only a few exemplars of the same class. Existing correlation-based few-shot counting approaches suffer from the coarseness and low semantic level of the correlation. To solve these problems, we propose an iterative framework to progressively refine the exemplar-related features based on the correlation between the image and exemplars. Then the density map is predicted from the final refined feature map. The iterative framework includes a Correlation Distillation module and a Feature Refinement module. During the iterations, the exemplar-related features are gradually refined, while the exemplar-unrelated features are suppressed, benefiting few-shot counting where the exemplar-related features are more important. Our approach surpasses all baselines significantly on few-shot counting benchmark FSC-147. Surprisingly, though designed for general class-agnostic counting, our approach still achieves state-of-the-art performance on car counting benchmarks CARPK and PUCPR+, and crowd counting benchmarks UCSD and Mall. We also achieve competitive performance on crowd counting benchmark ShanghaiTech. The code will be released soon.
• Abstract（参考訳）: 少数ショットカウントは、同一クラスのいくつかの例しか与えていない画像内の任意のクラスのオブジェクトをカウントすることを目的としている。 既存の相関ベースの少数ショットカウントアプローチは、相関の粗さと低セマンティクスレベルに苦しむ。 これらの問題を解決するために,画像と例の相関関係に基づいて,経験的特徴を段階的に洗練する反復的枠組みを提案する。 そして、最終改良された特徴写像から密度マップを予測する。 反復型フレームワークは相関蒸留モジュールと機能改良モジュールを含む。 イテレーションの間、模範的特徴は徐々に洗練され、模範的でない特徴は抑制され、模範的特徴がより重要となるいくつかのショットカウントの恩恵を受ける。 提案手法は,数えるベンチマークFSC-147において,全基準値を大きく上回っている。 驚いたことに、一般的なクラス別カウントのために設計されているが、当社のアプローチは、CARPKとPUCPR+、および群衆カウントベンチマークUCSDとMalに対する最先端のパフォーマンスを実現している。 また,クラウドカウントベンチマークであるShanghaiTechの競争性能も達成した。 コードはまもなくリリースされる。

関連論文リスト

• Mutually-Aware Feature Learning for Few-Shot Object Counting [20.623402944601775]
  追加のトレーニングを必要とせずに、与えられた例に基づいてクエリイメージに対象オブジェクトをカウントすることを目的としている。 本稿では,質問文と模範的特徴を相互に認識する,MAFEA(Mutually-Aware FEAture Learning)という新しいフレームワークを提案する。 本モデルでは, FSCD-LVIS と FSC-147 の2つのベンチマークにおいて, 目標混乱の程度を著しく低減し, 新たな最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-19T06:46:24Z)
• Enhancing Zero-shot Counting via Language-guided Exemplar Learning [17.479926342093677]
  CAC(Class-Agnostic Counting)問題はその興味深い一般化と優れた効率のために注目を集めている。 本稿では,言語指導による模範学習を深く掘り下げることで,ゼロショットオブジェクトのカウントを向上する新しいExpressCountを提案する。 ExpressCountは革新的な言語指向のExemplar Perceptronと、下流のZero-shot Countingパイプラインで構成されている。
  論文  参考訳（メタデータ） (2024-02-08T04:07:38Z)
• FECANet: Boosting Few-Shot Semantic Segmentation with Feature-Enhanced Context-Aware Network [48.912196729711624]
  Few-shot セマンティックセグメンテーション(Few-shot semantic segmentation)は、新しいクラスの各ピクセルを、わずかに注釈付きサポートイメージで検索するタスクである。 本稿では,クラス間の類似性に起因するマッチングノイズを抑制するために,機能拡張コンテキスト認識ネットワーク(FECANet)を提案する。 さらに,前景と背景の余分な対応関係を符号化する新たな相関再構成モジュールを提案する。
  論文  参考訳（メタデータ） (2023-01-19T16:31:13Z)
• Counting Like Human: Anthropoid Crowd Counting on Modeling the Similarity of Objects [92.80955339180119]
  メインストリームの群衆計数法は 密度マップを補強して 計数結果を得るために統合する。 これに触発された我々は,合理的かつ人為的な集団カウントフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-02T07:00:53Z)
• CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification [11.894289991529496]
  少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。 最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。 本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T06:14:51Z)
• Spatio-temporal Relation Modeling for Few-shot Action Recognition [100.3999454780478]
  本稿では,高次時間表現を同時に学習しながら,クラス固有の特徴の識別性を向上する数ショットアクション認識フレームワークSTRMを提案する。 本手法は,本研究でもっとも優れた手法に比べて,分類精度が3.5%向上した。
  論文  参考訳（メタデータ） (2021-12-09T18:59:14Z)
• A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
  画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。 提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。 本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
  論文  参考訳（メタデータ） (2020-07-03T18:23:39Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)

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。