論文の概要: Self-Trained Proposal Networks for the Open World

• arxiv url: http://arxiv.org/abs/2208.11050v1
• Date: Tue, 23 Aug 2022 15:57:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 13:24:55.739168
• Title: Self-Trained Proposal Networks for the Open World
• Title（参考訳）: オープンワールドのための自己学習型提案ネットワーク
• Authors: Matthew Inkawhich, Nathan Inkawhich, Hai Li, Yiran Chen
• Abstract要約: 本稿では,新しい自己学習最適化戦略を活用した分類自由な自己学習提案ネットワーク(STPN)を提案する。 以上の結果から,STPNは全てのタスクにおいて,最先端の新規オブジェクトの一般化を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 41.54968919190807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based object proposal methods have enabled significant advances in many computer vision pipelines. However, current state-of-the-art proposal networks use a closed-world assumption, meaning they are only trained to detect instances of the training classes while treating every other region as background. This style of solution fails to provide high recall on out-of-distribution objects, rendering it inadequate for use in realistic open-world applications where novel object categories of interest may be observed. To better detect all objects, we propose a classification-free Self-Trained Proposal Network (STPN) that leverages a novel self-training optimization strategy combined with dynamically weighted loss functions that account for challenges such as class imbalance and pseudo-label uncertainty. Not only is our model designed to excel in existing optimistic open-world benchmarks, but also in challenging operating environments where there is significant label bias. To showcase this, we devise two challenges to test the generalization of proposal models when the training data contains (1) less diversity within the labeled classes, and (2) fewer labeled instances. Our results show that STPN achieves state-of-the-art novel object generalization on all tasks.
• Abstract（参考訳）: ディープラーニングベースのオブジェクト提案手法は、多くのコンピュータビジョンパイプラインにおいて大きな進歩をもたらした。 しかし、現在の最先端の提案ネットワークはクローズドワールドの仮定を用いており、トレーニングクラスのインスタンスを検出しながら、他のすべての領域をバックグラウンドとして扱うように訓練されている。 このスタイルのソリューションは、分散オブジェクトに対する高いリコールを提供することに失敗し、新しいオブジェクトのカテゴリが観察されるような現実的なオープンワールドアプリケーションでの使用には不十分である。 クラス不均衡や擬似ラベルの不確実性といった課題を考慮に入れた動的重み付き損失関数と組み合わせた,新しい自己学習最適化戦略を活用した分類自由な自己学習提案ネットワーク(STPN)を提案する。 私たちのモデルは、既存の楽観的なオープンワールドベンチマークに優れているだけでなく、ラベルバイアスが大きい運用環境においても優れているように設計されています。 これを示すために,(1)ラベル付きクラス内の多様性の低減,(2)ラベル付きインスタンスの削減,というトレーニングデータを含む場合,提案モデルの一般化をテストするための2つの課題を考案する。 以上の結果から,STPNは全てのタスクにおいて最先端の新規オブジェクトの一般化を実現する。

関連論文リスト

• Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
  本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。 提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。 完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:14:32Z)
• Redefining Normal: A Novel Object-Level Approach for Multi-Object Novelty Detection [68.14842693208465]
  我々は、データセットにおける最も支配的なオブジェクトを標準と考え、現実世界のシナリオに対してより効果的である視点を提供します。 我々の最初の貢献であるDeFeND(Dense Feature Fine-tuning on Normal Data)は、高密度特徴微調整を蒸留プロセスに統合する。 このアプローチは、単一対象の新規性検出においてうまく機能するが、複数対象のコンテキストにおける既存の手法をかなり上回る。
  論文  参考訳（メタデータ） (2024-12-15T10:47:09Z)
• Boosting Federated Learning with FedEntOpt: Mitigating Label Skew by Entropy-Based Client Selection [13.851391819710367]
  ディープラーニングドメインは通常、最適なパフォーマンスのために大量のデータを必要とします。 FedEntOptは、ラベル配布スキューによるパフォーマンスの問題を軽減するように設計されている。 低い参加率とクライアントのドロップアウトのシナリオでは、堅牢で優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-02T13:31:36Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• PaDPaF: Partial Disentanglement with Partially-Federated GANs [5.195669033269619]
  フェデレーテッド・ラーニングは、多くの潜在的な現実のアプリケーションで人気のある機械学習パラダイムとなっている。 本研究では,グローバルクライアント非依存とローカルクライアント固有の生成モデルを組み合わせた新しいアーキテクチャを提案する。 提案モデルでは,グローバルな一貫した表現を暗黙的に切り離すことで,プライバシーとパーソナライゼーションを実現する。
  論文  参考訳（メタデータ） (2022-12-07T18:28:54Z)
• Transformer-based assignment decision network for multiple object tracking [0.0]
  本稿では,データアソシエーションに取り組むトランスフォーマーベースのアサインメント決定ネットワーク(TADN)について,推論中に明示的な最適化を必要とせずに紹介する。 提案手法は,トラッカーとしての単純な性質にもかかわらず,ほとんどの評価指標において最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-08-06T19:47:32Z)
• Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
  本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。 この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
  論文  参考訳（メタデータ） (2021-08-15T14:36:02Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Mixed-Privacy Forgetting in Deep Networks [114.3840147070712]
  大規模画像分類タスクにおいてトレーニングされたネットワークの重みからトレーニングサンプルのサブセットの影響を除去できることを示す。 そこで本研究では,混合プライバシー設定における「忘れ」という新しい概念を導入する。 提案手法は,モデル精度のトレードオフを伴わずに忘れることができることを示す。
  論文  参考訳（メタデータ） (2020-12-24T19:34:56Z)

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。