論文の概要: iFS-RCNN: An Incremental Few-shot Instance Segmenter

• arxiv url: http://arxiv.org/abs/2205.15562v1
• Date: Tue, 31 May 2022 06:42:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-02 01:21:09.094237
• Title: iFS-RCNN: An Incremental Few-shot Instance Segmenter
• Title（参考訳）: iFS-RCNN: インクリメンタルないくつかのインスタンスセグメンタ
• Authors: Khoi Nguyen, Sinisa Todorovic
• Abstract要約: 2つのコントリビューションは、Mask-RCNNフレームワークを第2段階に拡張することで実現している。 プロビット関数と新しい不確実性誘導境界ボックス予測器に基づく新しいオブジェクトクラス分類器を指定する。 当社のコントリビューションは,COCOデータセットにおける技術状況に対する大幅なパフォーマンス向上を実現しています。
• 参考スコア（独自算出の注目度）: 39.79912546252623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses incremental few-shot instance segmentation, where a few examples of new object classes arrive when access to training examples of old classes is not available anymore, and the goal is to perform well on both old and new classes. We make two contributions by extending the common Mask-RCNN framework in its second stage -- namely, we specify a new object class classifier based on the probit function and a new uncertainty-guided bounding-box predictor. The former leverages Bayesian learning to address a paucity of training examples of new classes. The latter learns not only to predict object bounding boxes but also to estimate the uncertainty of the prediction as guidance for bounding box refinement. We also specify two new loss functions in terms of the estimated object-class distribution and bounding-box uncertainty. Our contributions produce significant performance gains on the COCO dataset over the state of the art -- specifically, the gain of +6 on the new classes and +16 on the old classes in the AP instance segmentation metric. Furthermore, we are the first to evaluate the incremental few-shot setting on the more challenging LVIS dataset.
• Abstract（参考訳）: ここでは、古いクラスのトレーニング例にアクセスできない場合に、新しいオブジェクトクラスのいくつかの例が到着し、古いクラスと新しいクラスの両方でうまく機能することを目的としている。 我々は,その第2段階で共通Mask-RCNNフレームワークを拡張し,プロビット関数に基づく新しいオブジェクトクラス分類器と,新しい不確実性誘導境界ボックス予測器を指定することによって2つのコントリビューションを行う。 前者はベイズ学習を活用し、新しいクラスのトレーニング例のpaucityに対処している。 後者は、オブジェクト境界ボックスの予測だけでなく、予測の不確実性をバウンディングボックスリファインメントのガイダンスとして推定することを学ぶ。 また、推定対象クラス分布とバウンディングボックスの不確実性の観点から、2つの新たな損失関数を規定する。 当社のコントリビューションは,最先端のCOCOデータセットに対して,特に新たなクラスでは+6,APインスタンスセグメンテーションメトリックでは+16という,大幅なパフォーマンス向上を実現しています。 さらに、より困難なLVISデータセット上で、インクリメンタルな数ショット設定を評価するのはこれが初めてです。

関連論文リスト

• Covariance-based Space Regularization for Few-shot Class Incremental Learning [25.435192867105552]
  FSCIL(Few-shot Class Incremental Learning)では,ラベル付きデータに制限のあるクラスを継続的に学習する必要がある。 インクリメンタルセッションにおける限られたデータのため、モデルは新しいクラスを過度に適合させ、ベースクラスの破滅的な忘れを苦しむ傾向にある。 最近の進歩は、基本クラス分布を制約し、新しいクラスの識別的表現を学習するプロトタイプベースのアプローチに頼っている。
  論文  参考訳（メタデータ） (2024-11-02T08:03:04Z)
• Tendency-driven Mutual Exclusivity for Weakly Supervised Incremental Semantic Segmentation [56.1776710527814]
  Weakly Incremental Learning for Semantic (WILSS)は、トレーニング済みのセグメンテーションモデルを利用して、コスト効率と手軽に利用できるイメージレベルのラベルを使用して、新しいクラスをセグメンテーションする。 WILSSを解く最も一般的な方法は、各新しいクラスのシード領域の生成であり、ピクセルレベルの監視の一形態として機能する。 本研究は, 種子領域の挙動を綿密に調整した, 相互排他性に関する革新的, 傾向的関係について提案する。
  論文  参考訳（メタデータ） (2024-04-18T08:23:24Z)
• Expandable Subspace Ensemble for Pre-Trained Model-Based Class-Incremental Learning [65.57123249246358]
  PTMベースのCILのためのExpAndable Subspace Ensemble (EASE)を提案する。 タスク固有のサブスペースを作成することを目的として、新しいタスクごとに異なる軽量アダプタモジュールをトレーニングする。 我々のプロトタイプ補完戦略は、古いクラスのインスタンスを使わずに、古いクラスの新機能を合成します。
  論文  参考訳（メタデータ） (2024-03-18T17:58:13Z)
• Incremental Object Detection with CLIP [36.478530086163744]
  そこで本研究では,CLIPなどの視覚言語モデルを用いて,異なるクラス集合に対するテキスト特徴埋め込みを生成する。 次に、段階的なシナリオをシミュレートするために、早期の学習段階において利用できない新しいクラスを置き換えるために、スーパークラスを使用します。 そこで我々は,この微妙に認識された検出ボックスを擬似アノテーションとしてトレーニングプロセスに組み込むことにより,検出性能をさらに向上させる。
  論文  参考訳（メタデータ） (2023-10-13T01:59:39Z)
• SegPrompt: Boosting Open-world Segmentation via Category-level Prompt Learning [49.17344010035996]
  オープンワールドインスタンスセグメンテーション(OWIS)モデルは、クラスに依存しない方法で未知のオブジェクトを検出する。 以前のOWISは、未知のオブジェクトに一般化するモデルの能力を維持するために、トレーニング中のカテゴリ情報を完全に消去するアプローチだった。 そこで本研究では,モデルのクラスに依存しないセグメンテーション能力を改善するためにカテゴリ情報を利用するSegPromptと呼ばれる新しいトレーニング機構を提案する。
  論文  参考訳（メタデータ） (2023-08-12T11:25:39Z)
• Incremental Few-Shot Semantic Segmentation via Embedding Adaptive-Update and Hyper-class Representation [30.558312809285905]
  EHNetは、目覚ましいアドバンテージで、最先端の新たなパフォーマンスを実現している。 PASCAL-5iとCOCOデータセットの実験により、EHNetは、目覚ましいアドバンテージで新しい最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2022-07-26T15:20:07Z)
• Few-Shot Class-Incremental Learning by Sampling Multi-Phase Tasks [59.12108527904171]
  モデルは新しいクラスを認識し、古いクラスに対する差別性を維持すべきである。 古いクラスを忘れずに新しいクラスを認識するタスクは、FSCIL ( few-shot class-incremental Learning) と呼ばれる。 我々は,LearnIng Multi-phase Incremental Tasks (LIMIT) によるメタラーニングに基づくFSCILの新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-03-31T13:46:41Z)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• FAPIS: A Few-shot Anchor-free Part-based Instance Segmenter [35.103437828235826]
  新しい数ショットアンカーフリーのパートベースインスタンスセグメンタFAPISを評価します。 主な目新しさは、トレーニングオブジェクトクラス間で共有される潜伏オブジェクト部分の明示的なモデリングである。 ベンチマークCOCO-20iデータセットによる評価は,その技術状況を大きく上回っていることを示す。
  論文  参考訳（メタデータ） (2021-03-31T19:09:43Z)

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。