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
- Activate and Reject: Towards Safe Domain Generalization under Category
Shift [71.95548187205736]
カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。
未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。
従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
論文 参考訳(メタデータ) (2023-10-07T07:53:12Z) - Improved Region Proposal Network for Enhanced Few-Shot Object Detection [23.871860648919593]
Few-shot Object Detection (FSOD) メソッドは、古典的なオブジェクト検出手法の限界に対する解決策として登場した。
FSODトレーニング段階において,未ラベルの新規物体を正のサンプルとして検出し,利用するための半教師付きアルゴリズムを開発した。
地域提案ネットワーク(RPN)の階層的サンプリング戦略の改善により,大規模オブジェクトに対するオブジェクト検出モデルの認識が向上する。
論文 参考訳(メタデータ) (2023-08-15T02:35:59Z) - Open-World Weakly-Supervised Object Localization [26.531408294517416]
我々は、OWSOL(Open-World Weakly-Supervised Object Localization)と呼ばれる、新しい弱い教師付きオブジェクトローカライゼーションタスクを導入する。
本稿では、ラベル付きデータとラベルなしデータの両方を用いて、オブジェクトローカライゼーションのための完全なG-CAMを生成するコントラスト表現協調学習のパラダイムを提案する。
我々は、画像Net-1KとiNatLoc500という2つの広く使われているデータセットを再編成し、OWSOLの評価ベンチマークとしてOpenImages150を提案する。
論文 参考訳(メタデータ) (2023-04-17T13:31:59Z) - Identification of Novel Classes for Improving Few-Shot Object Detection [12.013345715187285]
Few-shot Object Detection (FSOD) メソッドは、クラス毎に少数のトレーニングサンプルのみを使用して、堅牢なオブジェクト検出を実現することで、改善を提供する。
我々は、FSOD性能を向上させるためのトレーニング中に、未ラベルの新規物体を正のサンプルとして検出し、利用するための半教師付きアルゴリズムを開発した。
実験の結果,本手法は既存のSOTA FSOD法よりも有効であり,優れた結果が得られた。
論文 参考訳(メタデータ) (2023-03-18T14:12:52Z) - Open World Classification with Adaptive Negative Samples [89.2422451410507]
オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。
そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。
ANSは最先端の手法よりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-03-09T21:12:46Z) - Few-Shot Class-Incremental Learning from an Open-Set Perspective [10.898784938875702]
FSCIL(Few-Shot Class-Incremental Learning)の重要な課題と,その極端なデータ不足状況について検討する。
ALICEでは、一般的に使用されるクロスエントロピー損失の代わりに、角のペナルティ損失を用いて、適切にクラスタリングされた特徴を得る方法を提案する。
CIFAR100、miniImageNet、CUB200といったベンチマークデータセットの実験では、ALICEのパフォーマンスが改善された。
論文 参考訳(メタデータ) (2022-07-30T05:42:48Z) - Bridging Non Co-occurrence with Unlabeled In-the-wild Data for
Incremental Object Detection [56.22467011292147]
物体検出における破滅的忘れを緩和するために,いくつかの漸進的学習法が提案されている。
有効性にもかかわらず、これらの手法は新規クラスのトレーニングデータにラベルのないベースクラスの共起を必要とする。
そこで本研究では,新たな授業の訓練において,欠落した基本クラスが原因で生じる非発生を補うために,未ラベルのインザ・ザ・ワイルドデータを使用することを提案する。
論文 参考訳(メタデータ) (2021-10-28T10:57:25Z) - 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) - 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)
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。