論文の概要: NovelCraft: A Dataset for Novelty Detection and Discovery in Open Worlds
- arxiv url: http://arxiv.org/abs/2206.11736v1
- Date: Thu, 23 Jun 2022 14:31:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-24 13:07:10.273380
- Title: NovelCraft: A Dataset for Novelty Detection and Discovery in Open Worlds
- Title(参考訳): NovelCraft: オープンワールドにおけるノベルティ検出と発見のためのデータセット
- Authors: Patrick Feeney (1), Sarah Schneider (1 and 2), Panagiotis
Lymperopoulos (1), Liping Liu (1), Matthias Scheutz (1), Michael C. Hughes
(1) ((1) Dept. of Computer Science, Tufts University, (2) Center for Vision,
Automation and Control, Austrian Institute of Technology)
- Abstract要約: 我々は、包括的評価に焦点をあてて、最先端のノベルティ検出と一般化されたカテゴリ発見モデルをベンチマークする。
さまざまなタイプのミスのタスク固有のコストを認識するモデルは、オープンな世界での新規性をより効果的に検出し、適応することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In order for artificial agents to perform useful tasks in changing
environments, they must be able to both detect and adapt to novelty. However,
visual novelty detection research often only evaluates on repurposed datasets
such as CIFAR-10 originally intended for object classification. This practice
restricts novelties to well-framed images of distinct object types. We suggest
that new benchmarks are needed to represent the challenges of navigating an
open world. Our new NovelCraft dataset contains multi-modal episodic data of
the images and symbolic world-states seen by an agent completing a pogo-stick
assembly task within a video game world. In some episodes, we insert novel
objects that can impact gameplay. Novelty can vary in size, position, and
occlusion within complex scenes. We benchmark state-of-the-art novelty
detection and generalized category discovery models with a focus on
comprehensive evaluation. Results suggest an opportunity for future research:
models aware of task-specific costs of different types of mistakes could more
effectively detect and adapt to novelty in open worlds.
- Abstract(参考訳): 人工エージェントが環境の変化において有用なタスクを行うためには、新規性の検出と適応が可能である必要がある。
しかし、視覚的ノベルティ検出の研究は、CIFAR-10のような元来オブジェクト分類を意図した再使用データセットでのみ評価されることが多い。
この慣行は、新奇性は異なるオブジェクトタイプの精巧な画像に制限される。
オープンワールドをナビゲートする上で,新たなベンチマークが必要であることを示唆する。
新しいノベルクラフトデータセットは、コンピュータゲームの世界においてポゴスティックアセンブリタスクを完了させるエージェントが見る画像と象徴的な世界状態のマルチモーダルエピソディックデータを含む。
いくつかのエピソードでは、ゲームプレイに影響を与える可能性のある新しいオブジェクトを挿入する。
新規性は、複雑なシーン内でサイズ、位置、および咬合によって異なる。
包括的評価に着目し,最先端のノベルティ検出と一般化したカテゴリ発見モデルの性能評価を行った。
さまざまなタイプのミスのタスク固有のコストを認識するモデルは、オープンな世界での新規性をより効果的に検出し、適応することができる。
関連論文リスト
- Towards Open World Active Learning for 3D Object Detection [43.242426340854905]
3次元物体検出のためのオープンワールドアクティブラーニング(OWAL-3D)について紹介する。
OWAL-3Dは、既知のクラスと未知クラスの両方で検出性能を最大化しながら、アノテートする少数の3Dボックスを選択することを目的としている。
我々は,2つの関係制約をシンプルかつ効果的なAL戦略であるOpenCRBに統合する。
論文 参考訳(メタデータ) (2023-10-16T13:32:53Z) - OpenPatch: a 3D patchwork for Out-Of-Distribution detection [16.262921993755892]
そこで本研究では,実世界のクラウドサンプルに対して,参照既知のデータが合成された場合のセマンティックノベルティ検出の課題について述べる。
OpenPatchは、トレーニング済みの大きなモデルの上に構築され、その中間機能から、既知の各クラスを記述するパッチ表現のセットを単純に抽出する。
OpenPatchは、全例と数例の既知のサンプルシナリオの両方で優れていることを実証します。
論文 参考訳(メタデータ) (2023-10-05T08:49:51Z) - Look around and learn: self-improving object detection by exploration [29.222001189559638]
対象検出器は、トレーニングデータに新しい環境条件が不十分に表現されている場合、しばしば性能低下を経験する。
本稿では,既存の物体検出装置を探索し,新たな環境下で画像を取得しながら自動的に微調整する方法について検討する。
論文 参考訳(メタデータ) (2023-02-07T16:26:45Z) - Spatial Reasoning for Few-Shot Object Detection [21.3564383157159]
本稿では,空間的推論フレームワークを提案する。
グラフ畳み込みネットワークをRoIとその関連性はそれぞれノードとエッジとして定義する。
提案手法は最先端の手法を著しく上回り, 広範囲なアブレーション研究により有効性を検証する。
論文 参考訳(メタデータ) (2022-11-02T12:38:08Z) - 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) - 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) - The Pursuit of Knowledge: Discovering and Localizing Novel Categories
using Dual Memory [85.01439251151203]
我々は,未ラベルの大規模データセットにおける新しいオブジェクトの発見と位置決定の課題であるオブジェクトカテゴリ発見に取り組む。
2つのメモリモジュールを用いて,オブジェクトカテゴリに関する事前知識を用いて新たなカテゴリを探索する手法を提案する。
検出器の性能をCOCOのミニバルデータセットで示し、そのインザワイルド機能を実証します。
論文 参考訳(メタデータ) (2021-05-04T17:55:59Z) - Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。
最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。
それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文 参考訳(メタデータ) (2021-04-16T21:35:08Z) - Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。
本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。
提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
論文 参考訳(メタデータ) (2021-03-25T22:34:16Z) - 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) - SVIRO: Synthetic Vehicle Interior Rear Seat Occupancy Dataset and
Benchmark [11.101588888002045]
SVIROは10台の異なる車両の旅客室におけるシーンの合成データセットである。
限られたバリエーションに基づいて学習した際の一般化能力と信頼性について、機械学習に基づくアプローチを解析する。
論文 参考訳(メタデータ) (2020-01-10T14:44:23Z)
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。