論文の概要: Expanding Low-Density Latent Regions for Open-Set Object Detection
- arxiv url: http://arxiv.org/abs/2203.14911v1
- Date: Mon, 28 Mar 2022 17:11:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 16:30:17.058916
- Title: Expanding Low-Density Latent Regions for Open-Set Object Detection
- Title（参考訳）: オープンセットオブジェクト検出のための低密度潜在領域の拡張
- Authors: Jiaming Han, Yuqiang Ren, Jian Ding, Xingjia Pan, Ke Yan, Gui-Song Xia
- Abstract要約: 潜在空間における高密度領域と低密度領域を分離することにより未知の物体を同定する。
低密度領域を拡張した新しいOpen-set Detector(OpenDet)を提案する。
- 参考スコア（独自算出の注目度）: 32.29988419525467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern object detectors have achieved impressive progress under the close-set
setup. However, open-set object detection (OSOD) remains challenging since
objects of unknown categories are often misclassified to existing known
classes. In this work, we propose to identify unknown objects by separating
high/low-density regions in the latent space, based on the consensus that
unknown objects are usually distributed in low-density latent regions. As
traditional threshold-based methods only maintain limited low-density regions,
which cannot cover all unknown objects, we present a novel Open-set Detector
(OpenDet) with expanded low-density regions. To this aim, we equip OpenDet with
two learners, Contrastive Feature Learner (CFL) and Unknown Probability Learner
(UPL). CFL performs instance-level contrastive learning to encourage compact
features of known classes, leaving more low-density regions for unknown
classes; UPL optimizes unknown probability based on the uncertainty of
predictions, which further divides more low-density regions around the cluster
of known classes. Thus, unknown objects in low-density regions can be easily
identified with the learned unknown probability. Extensive experiments
demonstrate that our method can significantly improve the OSOD performance,
e.g., OpenDet reduces the Absolute Open-Set Errors by 25%-35% on six OSOD
benchmarks. Code is available at: https://github.com/csuhan/opendet2.
- Abstract（参考訳）: 現代の物体検出器は、クローズセット設定下で素晴らしい進歩を遂げた。
しかし、未知のカテゴリのオブジェクトは、しばしば既存の既知のクラスに誤って分類されるため、オープンセットオブジェクト検出(OSOD)は難しいままである。
本研究では,未知の物体が通常低密度の潜在領域に分布しているという認識に基づいて,未知の物体を潜在空間内の高密度領域と低密度領域を分離して同定することを提案する。
従来のしきい値に基づく手法は、未知のオブジェクトを全てカバーできない限られた低密度領域のみを保持するため、拡張された低密度領域を持つ新しいOpen-set Detector(OpenDet)を提案する。
この目的のために、OpenDetに2人の学習者、Contrastive Feature Learner (CFL) と Unknown Probability Learner (UPL) を設ける。
CFLは、既知のクラスのコンパクトな特徴を促進するために、インスタンスレベルのコントラスト学習を行い、未知のクラスに対してより低密度な領域を残し、UPLは予測の不確実性に基づいて未知の確率を最適化する。
したがって、低密度領域における未知の物体は、学習された未知の確率と容易に識別できる。
例えば、OpenDetは6つのOSODベンチマークでAbsolute Open-Set Errorsを25%-35%削減する。
コードはhttps://github.com/csuhan/opendet2.com/で入手できる。
関連論文リスト
- Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。
このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。
我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
論文 参考訳（メタデータ） (2024-11-20T02:57:35Z) - Few-Shot Open-Set Object Detection via Conditional Evidence Decoupling [8.78242987271299]
FOOD(Open-set Object Detection)は、現実世界のシナリオにおいて大きな課題となる。
それは、未知の物体を拒絶しながら、既知の物体を検出できる、希少な訓練サンプルの条件下でオープンセット検出器を訓練することを目的としている。
そこで我々は,未知の拒絶に対して条件付き証拠を分離した2段階のオープンセットオブジェクト検出フレームワークを,即時学習により構築する。
論文 参考訳（メタデータ） (2024-06-26T15:48:24Z) - 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) - Wasserstein Distance-based Expansion of Low-Density Latent Regions for
Unknown Class Detection [5.363664265121231]
最先端の検出器は、未知の物体を高い信頼性で既知のカテゴリーとして誤って分類する。
本稿では,潜在空間における高密度領域と低密度領域を区別することにより,未知の物体を効果的に識別する手法を提案する。
論文 参考訳（メタデータ） (2024-01-10T23:55:16Z) - ECEA: Extensible Co-Existing Attention for Few-Shot Object Detection [52.16237548064387]
Few-shot Object Detection (FSOD) は、非常に少数のアノテーション付きサンプルからオブジェクトを識別する。
近年のFSOD法の多くは、2段階の学習パラダイムを適用しており、このパラダイムは豊富なベースクラスから学んだ知識を、グローバルな特徴を学習することで、数発の検知を補助する。
本研究では,局所的な部分に応じて大域的オブジェクトを推論するための拡張可能共存注意(ECEA)モジュールを提案する。
論文 参考訳（メタデータ） (2023-09-15T06:55:43Z) - 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) - Towards Generalized Few-Shot Open-Set Object Detection [13.671120689841736]
オープンセットオブジェクト検出(OSOD)は、既知のカテゴリを検出し、動的世界の未知のオブジェクトを拒否することを目的としている。
本稿では,G-FOOD (Generalized few-shot Open-set Object Detection) の解を求める。
この問題に対処する新しいG-FOODアルゴリズム, underlineFew-shunderlineOt underline Open-set underlineDetector (FOOD)を提案する。
論文 参考訳（メタデータ） (2022-10-28T09:02:32Z) - 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) - Delving into Sequential Patches for Deepfake Detection [64.19468088546743]
近年の顔偽造技術は、ほとんど追跡不可能なディープフェイクビデオを生み出しており、悪意のある意図で活用することができる。
従来の研究では、ディープフェイク法にまたがる一般化を追求する上で、局所的な低レベルな手がかりと時間的情報の重要性が指摘されてきた。
本稿では,局所的・時間的変換をベースとしたDeepfake Detectionフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-06T16:46:30Z) - Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。
本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。
相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
論文 参考訳（メタデータ） (2020-10-31T03:20:31Z) - Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。
CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。
複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2020-08-12T06:23:49Z)
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。