Fugu-MT 論文翻訳(概要): Unknown-Aware Object Detection: Learning What You Don't Know from Videos in the Wild

論文の概要: Unknown-Aware Object Detection: Learning What You Don't Know from Videos in the Wild

arxiv url: http://arxiv.org/abs/2203.03800v1
Date: Tue, 8 Mar 2022 01:44:03 GMT
ステータス: 処理完了
システム内更新日: 2022-03-09 15:02:22.803736
Title: Unknown-Aware Object Detection: Learning What You Don't Know from Videos in the Wild
Title（参考訳）: 未知の物体検出:野生の動画から知らないものを学ぶ
Authors: Xuefeng Du, Xin Wang, Gabriel Gozum, Yixuan Li
Abstract要約: 空間的未知蒸留(STUD)による未知の物体検出フレームワークを提案する。 STUDは、野生の動画から未知のオブジェクトを蒸留し、モデルの決定境界を有意義に規則化する。我々は、オブジェクト検出のためのOOD検出タスクの最先端性能を確立し、FPR95スコアを従来のベストメソッドと比較して10%以上削減する。
参考スコア（独自算出の注目度）: 29.155394550694197
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Building reliable object detectors that can detect out-of-distribution (OOD) objects is critical yet underexplored. One of the key challenges is that models lack supervision signals from unknown data, producing overconfident predictions on OOD objects. We propose a new unknown-aware object detection framework through Spatial-Temporal Unknown Distillation (STUD), which distills unknown objects from videos in the wild and meaningfully regularizes the model's decision boundary. STUD first identifies the unknown candidate object proposals in the spatial dimension, and then aggregates the candidates across multiple video frames to form a diverse set of unknown objects near the decision boundary. Alongside, we employ an energy-based uncertainty regularization loss, which contrastively shapes the uncertainty space between the in-distribution and distilled unknown objects. STUD establishes the state-of-the-art performance on OOD detection tasks for object detection, reducing the FPR95 score by over 10% compared to the previous best method. Code is available at https://github.com/deeplearning-wisc/stud.
Abstract（参考訳）: out-of-distribution (ood) オブジェクトを検出できる信頼性の高いオブジェクト検出器の構築は、まだ未検討である。重要な課題の1つは、モデルは未知のデータからの監視信号が欠如していることであり、OODオブジェクトに対する過信的な予測を生成する。本研究では,未知の物体を野生の動画から蒸留し,モデル決定境界を有意義に定式化する空間-時間的未知蒸留(stud)による未知物体検出フレームワークを提案する。 STUDはまず、空間次元における未知の候補オブジェクトの提案を特定し、次に複数のビデオフレームにまたがって候補を集約し、決定境界付近で未知のオブジェクトの多様な集合を形成する。また, 分布と蒸留未知物間の不確かさ空間を対比的に形作るエネルギーベースの不確かさ正規化損失を用いる。 STUDは、オブジェクト検出のためのOOD検出タスクの最先端性能を確立し、以前のベストメソッドと比較してFPR95スコアを10%以上削減する。コードはhttps://github.com/deeplearning-wisc/studで入手できる。

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)
Revisiting Out-of-Distribution Detection in LiDAR-based 3D Object Detection [12.633311483061647]
アウト・オブ・ディストリビューション(OOD)オブジェクトは誤分類を引き起こし、自動車両の安全性と信頼性に重大なリスクをもたらす。我々は、ポイントクラウドを変更することなく既存のデータセットを使用できる新しい評価プロトコルを提案する。提案手法の有効性は,新たに提案したnuScenes OODベンチマークを用いて検証した。
論文参考訳（メタデータ） (2024-04-24T13:48:38Z)
Find n' Propagate: Open-Vocabulary 3D Object Detection in Urban Environments [67.83787474506073]
我々は,現在のLiDARに基づく3Dオブジェクト検出システムの限界に対処する。本稿では,3次元OVタスクに対する汎用textscFind n' Propagate アプローチを提案する。我々は、新しいオブジェクトクラスに対する平均精度(AP)を最大3.97倍に向上させる。
論文参考訳（メタデータ） (2024-03-20T12:51:30Z)
Unsupervised Recognition of Unknown Objects for Open-World Object Detection [28.787586991713535]
Open-World Object Detection (OWOD) はオブジェクト検出問題を現実的でダイナミックなシナリオに拡張する。現在のOWODモデル(OREやOW-DETRなど)は、高い客観性スコアを持つ擬似ラベル領域に注目する。本稿では,未知の物体を認識するために,教師なしの識別モデルを学ぶ新しい手法を提案する。
論文参考訳（メタデータ） (2023-08-31T08:17:29Z)
SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文参考訳（メタデータ） (2023-05-11T16:19:44Z)
SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文参考訳（メタデータ） (2023-04-10T11:10:42Z)
Unknown Sniffer for Object Detection: Don't Turn a Blind Eye to Unknown Objects [21.426594215463105]
未知のオブジェクトと未知のオブジェクトの両方を見つけるために、未知のスニファー(UnSniffer)を提案する。 GOCスコアは、既知のサンプルのみを使用して監視し、背景にある未知の不正な抑制を回避する。未知の物体検出ベンチマーク(Unknown Object Detection Benchmark)は,未知の物体検出の精度評価を含む最初の公開ベンチマークである。
論文参考訳（メタデータ） (2023-03-24T02:59:44Z)
PROB: Probabilistic Objectness for Open World Object Detection [15.574535196804042]
Open World Object Detection (OWOD)は、従来のオブジェクト検出(OD)ベンチマークと現実世界におけるオブジェクト検出のギャップを埋める新しいコンピュータビジョンタスクである。本稿では,対象物の確率分布推定と対象度推定を交互に行う,対象度推定のための新しい確率的フレームワークを提案する。 Probabilistic Objectness-based open-world detector, PROBは、私たちのフレームワークを従来のオブジェクト検出モデルに統合します。
論文参考訳（メタデータ） (2022-12-02T20:04:24Z)
More Practical Scenario of Open-set Object Detection: Open at Category Level and Closed at Super-category Level [23.98839374194848]
オープンセットオブジェクト検出(OSOD)は近年注目されている。我々はまず, 未知の物体の無限多様性を考慮した最近の研究で考慮されたOSODのシナリオが, 根本的な問題となっていることを指摘した。この問題は未知のオブジェクト検出におけるメソッドの性能評価に困難をもたらす。
論文参考訳（メタデータ） (2022-07-20T09:28:51Z)
OW-DETR: Open-world Detection Transformer [90.56239673123804]
オープンワールドオブジェクト検出のための新しいエンドツーエンドトランスフォーマーベースのフレームワークOW-DETRを提案する。 OW-DETRは3つの専用コンポーネント、すなわち注目駆動の擬似ラベル、新規性分類、オブジェクトネススコアから構成される。我々のモデルは、最近導入されたOWODアプローチであるOREよりも優れており、リコールの度合いは1.8%から3.3%である。
論文参考訳（メタデータ） (2021-12-02T18:58:30Z)
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)

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。