論文の概要: Multi-Faceted Distillation of Base-Novel Commonality for Few-shot Object Detection

• arxiv url: http://arxiv.org/abs/2207.11184v1
• Date: Fri, 22 Jul 2022 16:46:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:20:59.023926
• Title: Multi-Faceted Distillation of Base-Novel Commonality for Few-shot Object Detection
• Title（参考訳）: 少数ショット物体検出のための多面蒸留法
• Authors: Shuang Wu, Wenjie Pei, Dianwen Mei, Fanglin Chen, Jiandong Tian, Guangming Lu
• Abstract要約: 基本クラスと新規クラスの間に3種類のクラスに依存しない共通点を明示的に学習する。 提案手法は,既存の微調整方式のほとんどに容易に統合でき,一貫した性能向上が期待できる。
• 参考スコア（独自算出の注目度）: 58.48995335728938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most of existing methods for few-shot object detection follow the fine-tuning paradigm, which potentially assumes that the class-agnostic generalizable knowledge can be learned and transferred implicitly from base classes with abundant samples to novel classes with limited samples via such a two-stage training strategy. However, it is not necessarily true since the object detector can hardly distinguish between class-agnostic knowledge and class-specific knowledge automatically without explicit modeling. In this work we propose to learn three types of class-agnostic commonalities between base and novel classes explicitly: recognition-related semantic commonalities, localization-related semantic commonalities and distribution commonalities. We design a unified distillation framework based on a memory bank, which is able to perform distillation of all three types of commonalities jointly and efficiently. Extensive experiments demonstrate that our method can be readily integrated into most of existing fine-tuning based methods and consistently improve the performance by a large margin.
• Abstract（参考訳）: これは、クラスに依存しない一般化可能な知識を、豊富なサンプルを持つベースクラスから、2段階のトレーニング戦略によって限られたサンプルを持つ新しいクラスへと暗黙的に学習し、転送できると仮定している。 しかし、オブジェクト検出器は明示的なモデリングなしではクラスに依存しない知識とクラス固有の知識とを区別できないため、必ずしもそうではない。 本研究は,認識関連意味共通点,局所化関連意味共通点,分布共通点の3種類のクラス非依存共通点を,ベースクラスと新規クラスの間で明示的に学習することを提案する。 我々は,3種類の共通点のすべてを同時にかつ効率的に蒸留できるメモリバンクに基づく統一蒸留フレームワークを設計した。 広範な実験により,本手法は既存の微調整ベース手法の多くに容易に統合でき,高いマージンで性能を一貫して向上できることが示された。

関連論文リスト

• Multi-Label Knowledge Distillation [86.03990467785312]
  本稿では,新しい多ラベル知識蒸留法を提案する。 一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。 一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
  論文  参考訳（メタデータ） (2023-08-12T03:19:08Z)
• Knowledge Distillation from Single to Multi Labels: an Empirical Study [14.12487391004319]
  クラス活性化マップ(CAM)に基づく新しい蒸留法を提案する。 以上の結果から,ロジット法はマルチラベル分類に適していないことが示唆された。 そこで本研究では,適切な暗黒知識にクラス情報を導入し,最終分類結果と高い相関性を持たせることを提案する。
  論文  参考訳（メタデータ） (2023-03-15T04:39:01Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Multi-Modal Few-Shot Object Detection with Meta-Learning-Based Cross-Modal Prompting [77.69172089359606]
  本稿では,マルチモーダルな複数ショットオブジェクト検出(FSOD)について,少数ショット視覚例とクラスセマンティック情報の両方を用いて検討する。 我々のアプローチは、(メトリックベース)メタラーニングとプロンプトベースラーニングの高レベルな概念的類似性によって動機付けられている。 提案するマルチモーダルFSODモデルを,複数の複数ショットオブジェクト検出ベンチマークで総合的に評価し,有望な結果を得た。
  論文  参考訳（メタデータ） (2022-04-16T16:45:06Z)
• A Similarity-based Framework for Classification Task [21.182406977328267]
  類似性に基づく手法は,複数ラベル学習のための新しい手法のクラスを生み出し,有望な性能を達成する。 類似性に基づく学習と一般化された線形モデルを組み合わせて、両方の世界のベストを達成します。
  論文  参考訳（メタデータ） (2022-03-05T06:39:50Z)
• Dual Path Structural Contrastive Embeddings for Learning Novel Objects [6.979491536753043]
  近年の研究では、優れた特徴空間の情報を取得することが、少数のタスクにおいて良好なパフォーマンスを達成するための効果的な解決法であることが示されている。 特徴表現と分類器を学習するタスクを分離する,単純だが効果的なパラダイムを提案する。 提案手法は, インダクティブ推論とトランスダクティブ推論のいずれにおいても, 標準および一般化された少数ショット問題に対して有望な結果が得られる。
  論文  参考訳（メタデータ） (2021-12-23T04:43:31Z)
• Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
  ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。 異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。 提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
  論文  参考訳（メタデータ） (2021-06-29T11:51:57Z)
• Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
  数発の分類問題の調査に2つの貢献をしている。 本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。 本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
  論文  参考訳（メタデータ） (2020-08-10T11:28:52Z)

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。