論文の概要: Fine-grained Few-shot Recognition by Deep Object Parsing

• arxiv url: http://arxiv.org/abs/2207.07110v1
• Date: Thu, 14 Jul 2022 17:59:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-15 12:31:40.797181
• Title: Fine-grained Few-shot Recognition by Deep Object Parsing
• Title（参考訳）: 深部物体解析によるファインショット認識
• Authors: Pengkai Zhu, Ruizhao Zhu, Samarth Mishra, Venkatesh Saligrama
• Abstract要約: テストインスタンスをK部分を推論することで解析し、各部分が特徴空間内の別の位置を占める。 我々は、そのアクティブテンプレートと、その部分位置の相対幾何学を比較して、テストインスタンスを認識する。
• 参考スコア（独自算出の注目度）: 43.61794876834115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In our framework, an object is made up of K distinct parts or units, and we parse a test instance by inferring the K parts, where each part occupies a distinct location in the feature space, and the instance features at this location, manifest as an active subset of part templates shared across all instances. We recognize test instances by comparing its active templates and the relative geometry of its part locations against those of the presented few-shot instances. We propose an end-to-end training method to learn part templates on-top of a convolutional backbone. To combat visual distortions such as orientation, pose and size, we learn multi-scale templates, and at test-time parse and match instances across these scales. We show that our method is competitive with the state-of-the-art, and by virtue of parsing enjoys interpretability as well.
• Abstract（参考訳）: 私たちのフレームワークでは、オブジェクトはK個の異なる部分またはユニットで構成されており、K個のパーツを推論することでテストインスタンスを解析します。 我々は,そのアクティブテンプレートと,その部分位置の相対幾何学を,提示された数ショットのインスタンスと比較することにより,テストインスタンスを認識する。 畳み込みバックボーンの上部にある部分テンプレートを学習するためのエンドツーエンドトレーニング手法を提案する。 オリエンテーション、ポーズ、サイズといった視覚的な歪みと戦うために、マルチスケールテンプレートを学び、テスト時にインスタンスを解析してマッチさせます。 本手法は最先端技術と競合し,解析によって解釈可能性も向上することを示す。

関連論文リスト

• Dynamic Template Initialization for Part-Aware Person Re-ID [0.640781528166787]
  空間アテンションベースのDynamic Partテンプレート初期化モジュール。 背骨の部分的な特徴は、多様な人体部分のテンプレートを抽出するために用いられる。 全体的、排他的、部分的なRe-IDタスクベンチマークに関するテスト。
  論文  参考訳（メタデータ） (2022-08-24T11:20:48Z)
• Sparse Instance Activation for Real-Time Instance Segmentation [72.23597664935684]
  本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。 SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
  論文  参考訳（メタデータ） (2022-03-24T03:15:39Z)
• Learn to Learn Metric Space for Few-Shot Segmentation of 3D Shapes [17.217954254022573]
  メタラーニングに基づく3次元形状分割手法を提案する。 本稿では,ShapeNet部データセットにおける提案手法の優れた性能を,既存のベースラインや最先端の半教師手法と比較し,いくつかのシナリオで示す。
  論文  参考訳（メタデータ） (2021-07-07T01:47:00Z)
• SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
  Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。 先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。 このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
  論文  参考訳（メタデータ） (2021-04-19T11:21:47Z)
• 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)
• Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
  本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。 私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。 提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-07-13T11:03:09Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• Improving Few-shot Learning by Spatially-aware Matching and CrossTransformer [116.46533207849619]
  数ショット学習シナリオにおけるスケールと位置ミスマッチの影響について検討する。 本稿では,複数のスケールや場所のマッチングを効果的に行うための,空間認識型マッチング手法を提案する。
  論文  参考訳（メタデータ） (2020-01-06T14:10:20Z)

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。