論文の概要: An Empirical Study and Comparison of Recent Few-Shot Object Detection Algorithms

• arxiv url: http://arxiv.org/abs/2203.14205v1
• Date: Sun, 27 Mar 2022 04:11:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 15:00:40.774869
• Title: An Empirical Study and Comparison of Recent Few-Shot Object Detection Algorithms
• Title（参考訳）: 最近のFew-Shotオブジェクト検出アルゴリズムの実証的研究と比較
• Authors: Tianying Liu, Lu Zhang, Yang Wang, Jihong Guan, Yanwei Fu, Shuigeng Zhou
• Abstract要約: Few-Shot Object Detection (FSOD)は、人間の学習能力の模倣として最近話題になっている。 本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。 新たな分類法は、新しいクラスを対象とする検出において、事前知識の役割に基づいて提案される。
• 参考スコア（独自算出の注目度）: 57.59828652683837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The generic object detection (GOD) task has been successfully tackled by recent deep neural networks, trained by an avalanche of annotated training samples from some common classes. However, it is still non-trivial to generalize these object detectors to the novel long-tailed object classes, which has only few labeled training samples. To this end, the Few-Shot Object Detection (FSOD) has been topical recently, as it mimics the humans' ability of learning to learn, and intelligently transfers the learnt generic object knowledge from the common heavy-tailed, to the novel long-tailed object classes. Especially, the research in this emerging field has been flourish in the recent years with various benchmarks, backbones, and methodologies proposed. To review these FSOD works, there are several insightful FSOD survey articles that systematically study and compare them as the groups of fine-tuning/transfer learning, and meta-learning methods. In contrast, we compare these FSOD algorithms from the new perspective and taxonomy of their contributions, i.e., data-oriented, model-oriented, and algorithm oriented ones. Thus, an empirical study and comparison has been conducted on the recent achievements of FSOD. Furthermore, we also analyze the technical challenges, the merits and demerits of these methods, and envision the future directions of FSOD. Specifically, we give an overview of FSOD, including the problem definition, common datasets, and evaluation protocols. A new taxonomy is then proposed based on the role of prior knowledge during object detection of novel classes. Following this taxonomy, we provide a systematic review of the advances in FSOD. Finally, further discussions on performance, challenges, and future directions are presented.
• Abstract（参考訳）: ジェネリックオブジェクト検出(GOD)タスクは、いくつかの一般的なクラスからの注釈付きトレーニングサンプルの雪崩によってトレーニングされた、最近のディープニューラルネットワークによってうまく取り組まれている。 しかし、これらの物体検出器を、ラベル付きトレーニングサンプルがほとんどない新しいロングテールオブジェクトクラスに一般化するのは、いまだに自明ではない。 この目的のために、Few-Shot Object Detection (FSOD) は、人間の学習能力を模倣し、学習したジェネリックオブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトのクラスにインテリジェントに転送するため、最近話題になっている。 特に、この新興分野の研究は近年盛んであり、様々なベンチマーク、バックボーン、方法論が提案されている。 これらのFSODの成果を概観するために、体系的に研究し、それらを微調整/トランスファー学習とメタラーニング手法の群として比較するいくつかの洞察に富んだFSOD調査記事がある。 対照的に、これらのfsodアルゴリズムを、データ指向、モデル指向、アルゴリズム指向といった貢献の新しい視点と分類から比較する。 そこで,最近のFSODの業績について,実証的研究と比較を行った。 さらに,これらの手法の技術的課題,メリット,デメリットを分析し,FSODの今後の方向性を考察する。 具体的には、問題定義、共通データセット、評価プロトコルを含むFSODの概要を示す。 新たな分類法は,新規クラスの対象検出における事前知識の役割に基づいて提案される。 この分類に続き、FSODの進歩を体系的にレビューする。 最後に,パフォーマンス,課題,今後の方向性に関するさらなる議論を行う。

関連論文リスト

• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• Beyond Few-shot Object Detection: A Detailed Survey [25.465534270637523]
  研究者たちは、数発の学習とオブジェクト検出の原則を融合させる、数発のオブジェクト検出(FSOD)アプローチを導入した。 これらのアプローチは、広範なラベル付きデータセットへの依存を減らす上で重要な役割を果たす。 本研究の目的は,上記の数ショット設定を包括的に理解し,各FSODタスクの方法論を探索することである。
  論文  参考訳（メタデータ） (2024-08-26T13:09:23Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Few-Shot Object Detection: Research Advances and Challenges [15.916463121997843]
  Few-shot Object Detection (FSOD)は、少数の学習技術とオブジェクト検出技術を組み合わせて、注釈付きサンプルに制限のある新しいオブジェクトに迅速に適応する。 本稿では,近年のFSOD分野の進歩を概観する包括的調査を行う。
  論文  参考訳（メタデータ） (2024-04-07T03:37:29Z)
• Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects [84.36935309169567]
  ゼロショット学習(ZSL)における微粒化解析の最近の進歩を概観する。 まず、各カテゴリの詳細な分析を行い、既存の手法と手法の分類について述べる。 次に、ベンチマークを要約し、公開データセット、モデル、実装、およびライブラリとしての詳細について説明する。
  論文  参考訳（メタデータ） (2024-01-31T11:51:24Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• A Survey on Few-Shot Class-Incremental Learning [11.68962265057818]
  FSCIL(Few-shot class-incremental Learning)は、ディープニューラルネットワークが新しいタスクを学習する上で重要な課題である。 本稿では, FSCILに関する包括的調査を行う。 FSCILはコンピュータビジョンの様々な分野で大きな成果を上げている。
  論文  参考訳（メタデータ） (2023-04-17T10:15:08Z)
• A Comparative Review of Recent Few-Shot Object Detection Algorithms [0.0]
  ラベル付きデータで新しいクラスに適応するために学習するオブジェクトの少ない検出は、命令的で長期にわたる問題である。 近年の研究では、ターゲットドメインを監督せずに追加データセットに暗黙の手がかりを使って、少数のショット検出器が堅牢なタスク概念を洗練させる方法が研究されている。
  論文  参考訳（メタデータ） (2021-10-30T07:57:11Z)
• A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
  過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。 本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。 特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
  論文  参考訳（メタデータ） (2020-08-02T00:09:03Z)

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。