論文の概要: More Practical Scenario of Open-set Object Detection: Open at Category Level and Closed at Super-category Level

• arxiv url: http://arxiv.org/abs/2207.09775v1
• Date: Wed, 20 Jul 2022 09:28:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 13:44:41.185746
• Title: More Practical Scenario of Open-set Object Detection: Open at Category Level and Closed at Super-category Level
• Title（参考訳）: オープンセットオブジェクト検出のより実践的なシナリオ:カテゴリーレベルで開き、スーパーカテゴリレベルで閉まる
• Authors: Yusuke Hosoya, Masanori Suganuma, Takayuki Okatani
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.98839374194848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-set object detection (OSOD) has recently attracted considerable attention. It is to detect unknown objects while correctly detecting/classifying known objects. We first point out that the scenario of OSOD considered in recent studies, which considers an unlimited variety of unknown objects similar to open-set recognition (OSR), has a fundamental issue. That is, we cannot determine what to detect and what not for such unlimited unknown objects, which is necessary for detection tasks. This issue leads to difficulty with the evaluation of methods' performance on unknown object detection. We then introduce a novel scenario of OSOD, which deals with only unknown objects that share the super-category with known objects. It has many real-world applications, e.g., detecting an increasing number of fine-grained objects. This new setting is free from the above issue and evaluation difficulty. Moreover, it makes detecting unknown objects more realistic owing to the visual similarity between known and unknown objects. We show through experimental results that a simple method based on the uncertainty of class prediction from standard detectors outperforms the current state-of-the-art OSOD methods tested in the previous setting.
• Abstract（参考訳）: 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。 未知のオブジェクトを検出し、既知のオブジェクトを正しく検出/分類する。 オープンセット認識(OSR)に類似した未知のオブジェクトの無限多様を考慮に入れた最近の研究では,OSODのシナリオが根本的な問題となっていることを最初に指摘した。 すなわち、そのような無限の未知のオブジェクトに対して何を検出するか、何を検出するかは決定できない。 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。 次に,超カテゴリを既知のオブジェクトと共有する未知のオブジェクトのみを扱うosodの新たなシナリオを紹介する。 現実世界のアプリケーションも多くあり、たとえば細粒度オブジェクトの数が増えている。 この新たな設定は上記の問題や評価の難しさから解放されている。 さらに、未知のオブジェクトと未知のオブジェクトの視覚的類似性により、未知のオブジェクトの検出をより現実的なものにする。 実験結果から,標準検出器からのクラス予測の不確実性に基づく簡易な手法が,従来のOSOD法よりも優れていることを示す。

関連論文リスト

• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• 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)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Unknown Sniffer for Object Detection: Don't Turn a Blind Eye to Unknown Objects [21.426594215463105]
  未知のオブジェクトと未知のオブジェクトの両方を見つけるために、未知のスニファー(UnSniffer)を提案する。 GOCスコアは、既知のサンプルのみを使用して監視し、背景にある未知の不正な抑制を回避する。 未知の物体検出ベンチマーク(Unknown Object Detection Benchmark)は,未知の物体検出の精度評価を含む最初の公開ベンチマークである。
  論文  参考訳（メタデータ） (2023-03-24T02:59:44Z)
• Open World DETR: Transformer based Open World Object Detection [60.64535309016623]
  そこで我々は,Deformable DETRに基づくオープンワールドオブジェクト検出のための2段階学習手法Open World DETRを提案する。 モデルのクラス固有のコンポーネントを多視点の自己ラベル戦略と一貫性制約で微調整する。 提案手法は、他の最先端のオープンワールドオブジェクト検出方法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-12-06T13:39:30Z)
• PROB: Probabilistic Objectness for Open World Object Detection [15.574535196804042]
  Open World Object Detection (OWOD)は、従来のオブジェクト検出(OD)ベンチマークと現実世界におけるオブジェクト検出のギャップを埋める新しいコンピュータビジョンタスクである。 本稿では,対象物の確率分布推定と対象度推定を交互に行う,対象度推定のための新しい確率的フレームワークを提案する。 Probabilistic Objectness-based open-world detector, PROBは、私たちのフレームワークを従来のオブジェクト検出モデルに統合します。
  論文  参考訳（メタデータ） (2022-12-02T20:04:24Z)
• Detecting the unknown in Object Detection [20.84221126313118]
  我々は、アノテーションを必要とせずに未知のオブジェクトを予測できるUNKADと呼ばれる新しいトレーニング戦略を提案する。 UNKADはまず未知のオブジェクトを識別し、擬似ラベルを使用して未知のクラスをトレーニングする。 UNKADは未知の物体を直接検出できるが、従来の未知の検出技術と組み合わせることで、コストなしで性能を向上できることを示す。
  論文  参考訳（メタデータ） (2022-08-24T16:27:38Z)
• Towards Open-Set Object Detection and Discovery [38.81806249664884]
  我々は新しいタスク、すなわちOpen-Set Object Detection and Discovery(OSODD)を提案する。 本稿では、まずオープンセットオブジェクト検出器を用いて、未知のオブジェクトと未知のオブジェクトの両方を予測する2段階の手法を提案する。 そこで,予測対象を教師なしで表現し,未知対象の集合から新たなカテゴリを発見する。
  論文  参考訳（メタデータ） (2022-04-12T08:07:01Z)
• 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)
• Towards Open World Object Detection [68.79678648726416]
  ORE: Open World Object Detectorは、対照的なクラスタリングとエネルギーベースの未知の識別に基づいている。 未知のインスタンスの識別と特徴付けは、インクリメンタルなオブジェクト検出設定における混乱を減らすのに役立ちます。
  論文  参考訳（メタデータ） (2021-03-03T18:58:18Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)

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。