論文の概要: Few-Shot Object Detection with Proposal Balance Refinement

• arxiv url: http://arxiv.org/abs/2204.10527v1
• Date: Fri, 22 Apr 2022 06:44:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-25 13:47:57.149238
• Title: Few-Shot Object Detection with Proposal Balance Refinement
• Title（参考訳）: 提案バランスリファインメントを用いたFew-Shotオブジェクト検出
• Authors: Sueyeon Kim, Woo-Jeoung Nam, Seong-Whan Lee
• Abstract要約: 近年,物体検出に注目が集まっている。 本稿では,新規サンプルの偏り分布に起因した交叉対一乗変動の欠如を解析する。 提案手法は,オブジェクトの提案を学習する上で,シンプルかつ効果的なアプローチである提案バランス改善を伴う,数発のオブジェクト検出モデルを提案する。
• 参考スコア（独自算出の注目度）: 21.89786914625517
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot object detection has gained significant attention in recent years as it has the potential to greatly reduce the reliance on large amounts of manually annotated bounding boxes. While most existing few-shot object detection literature primarily focuses on bounding box classification by obtaining as discriminative feature embeddings as possible, we emphasize the necessity of handling the lack of intersection-over-union (IoU) variations induced by a biased distribution of novel samples. In this paper, we analyze the IoU imbalance that is caused by the relatively high number of low-quality region proposals, and reveal that it plays a critical role in improving few-shot learning capabilities. The well-known two stage fine-tuning technique causes insufficient quality and quantity of the novel positive samples, which hinders the effective object detection of unseen novel classes. To alleviate this issue, we present a few-shot object detection model with proposal balance refinement, a simple yet effective approach in learning object proposals using an auxiliary sequential bounding box refinement process. This process enables the detector to be optimized on the various IoU scores through additional novel class samples. To fully exploit our sequential stage architecture, we revise the fine-tuning strategy and expose the Region Proposal Network to the novel classes in order to provide increased learning opportunities for the region-of-interest (RoI) classifiers and regressors. Our extensive assessments on PASCAL VOC and COCO demonstrate that our framework substantially outperforms other existing few-shot object detection approaches.
• Abstract（参考訳）: 近年,手動の注釈付きバウンディングボックスへの依存を大幅に軽減する可能性から,オブジェクト検出が注目されている。 既存の少数ショット物体検出文献では, 可能な限り識別的特徴埋め込みを得ることで, 境界ボックス分類に重点を置いているが, 新規サンプルの偏りによるiou(intersection-over-union)変動の欠如に対処する必要がある。 本稿では,比較的多くの低品質領域の提案によって引き起こされるIoUの不均衡を分析し,この不均衡が学習能力向上に重要な役割を果たしていることを明らかにする。 良く知られた2段階微調整技術は、新しい正のサンプルの品質と量不足を引き起こし、未確認の新規クラスの効果的な対象検出を妨げる。 この問題を軽減するために,補助的なシーケンシャルバウンディングボックスリファインメントプロセスを用いた,簡易かつ効果的なオブジェクト提案学習手法であるプロポーザルバランスリファインメントを用いた,数ショットオブジェクト検出モデルを提案する。 このプロセスにより、新たなクラスサンプルによって、検出器を様々なIoUスコアに最適化することができる。 当社のシーケンシャルステージアーキテクチャを十分に活用するために, 微調整戦略を改訂し, 地域提案ネットワークを新規クラスに公開することにより, 地域関心(roi)分類器とレグレッシャの学習機会を増大させる。 PASCAL VOCとCOCOに関する広範な評価は、我々のフレームワークが既存の少数ショットオブジェクト検出手法よりも大幅に優れていることを示している。

関連論文リスト

• Training-free Boost for Open-Vocabulary Object Detection with Confidence Aggregation [3.0899016152680754]
  Open-vocabulary Object Detection (OVOD) は、訓練時に見えない新しいクラスから視覚オブジェクトをローカライズし、認識することを目的としている。 本稿では,この問題を2段階のOVODパラダイムを用いて体系的に検討する。 この問題を軽減するために, 信頼度を調整し, 誤って削除対象を保存するための2つの高度な対策を提案する。
  論文  参考訳（メタデータ） (2024-04-12T17:02:56Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Incremental-DETR: Incremental Few-Shot Object Detection via Self-Supervised Learning [60.64535309016623]
  本稿では,DeTRオブジェクト検出器上での微調整および自己教師型学習によるインクリメンタル・デクリメンタル・デクリメンタル・デクリメンタル・オブジェクト検出を提案する。 まず,DeTRのクラス固有のコンポーネントを自己監督で微調整する。 さらに,DeTRのクラス固有のコンポーネントに知識蒸留を施した数発の微調整戦略を導入し,破滅的な忘れを伴わずに新しいクラスを検出するネットワークを奨励する。
  論文  参考訳（メタデータ） (2022-05-09T05:08:08Z)
• Towards Generalized and Incremental Few-Shot Object Detection [9.033533653482529]
  新規なインクリメンタルFew-Shot Object Detection (iFSOD) 法を提案する。 具体的には、ベースクラスと新規クラスの特徴表現を分離するために、DBF(Double-Branch Framework)を提案する。 我々はPascal VOCとMS-COCOの両方で実験を行い、この手法がインクリメンタル・ショット検出の問題を効果的に解決できることを実証した。
  論文  参考訳（メタデータ） (2021-09-23T12:38:09Z)
• Hallucination Improves Few-Shot Object Detection [15.932703834032456]
  少数ショット検出を改善する上で重要な要因は、トレーニングデータのばらつきの欠如に対処することだ。 基本クラスから共有クラス内変分を転送することで,新しいクラスの変分モデルを構築することを提案する。 提案手法は,提案手法が異なる2つの最先端の少数ショット検出器の性能向上をもたらす。
  論文  参考訳（メタデータ） (2021-05-04T05:19:53Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• Exploring Bottom-up and Top-down Cues with Attentive Learning for Webly Supervised Object Detection [76.9756607002489]
  本稿では,新しいクラスを対象としたWebSOD法を提案する。 提案手法はボトムアップとトップダウンを組み合わせた新しいクラス検出手法である。 提案手法は,3種類の新規/ベース分割を持つPASCAL VOCデータセット上で実証した。
  論文  参考訳（メタデータ） (2020-03-22T03:11:24Z)
• Any-Shot Object Detection [81.88153407655334]
  「アニーショット検出」とは、全く見えず、数発のカテゴリが推論中に同時に共起できる場所である。 我々は、ゼロショットと少数ショットの両方のオブジェクトクラスを同時に検出できる、統合された任意のショット検出モデルを提案する。 我々のフレームワークは、ゼロショット検出とFewショット検出タスクにのみ使用できる。
  論文  参考訳（メタデータ） (2020-03-16T03:43:15Z)
• Incremental Few-Shot Object Detection [96.02543873402813]
  OpeN-ended Centre nEtは、いくつかの例でクラスオブジェクトの検出を漸進的に学習する検出器である。 ONCEはインクリメンタルな学習パラダイムを十分に尊重しており、新しいクラス登録では、数発のトレーニングサンプルを1回だけフォワードパスするだけでよい。
  論文  参考訳（メタデータ） (2020-03-10T12:56:59Z)

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。