論文の概要: Tunable Hybrid Proposal Networks for the Open World
- arxiv url: http://arxiv.org/abs/2208.11050v3
- Date: Tue, 16 Apr 2024 19:16:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-18 20:09:36.133419
- Title: Tunable Hybrid Proposal Networks for the Open World
- Title(参考訳): オープンワールドのためのTunable Hybrid Proposal Networks
- Authors: Matthew Inkawhich, Nathan Inkawhich, Hai Li, Yiran Chen,
- Abstract要約: 本研究では,様々なオープンワールド設定に適合するように容易に調整可能なTunable Hybrid Proposal Network (THPN)を提案する。
本手法を徹底的に評価するために,既知のクラス多様性とラベル数によって,ラベルバイアスの度合いを変動させるいくつかの新しい課題を考案した。
また,本手法はデータ効率も高く,ラベル付きデータのごく一部でベースラインリコールを上回っている。
- 参考スコア(独自算出の注目度): 13.149409901414627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current state-of-the-art object proposal networks are trained with a closed-world assumption, meaning they learn to only detect objects of the training classes. These models fail to provide high recall in open-world environments where important novel objects may be encountered. While a handful of recent works attempt to tackle this problem, they fail to consider that the optimal behavior of a proposal network can vary significantly depending on the data and application. Our goal is to provide a flexible proposal solution that can be easily tuned to suit a variety of open-world settings. To this end, we design a Tunable Hybrid Proposal Network (THPN) that leverages an adjustable hybrid architecture, a novel self-training procedure, and dynamic loss components to optimize the tradeoff between known and unknown object detection performance. To thoroughly evaluate our method, we devise several new challenges which invoke varying degrees of label bias by altering known class diversity and label count. We find that in every task, THPN easily outperforms existing baselines (e.g., RPN, OLN). Our method is also highly data efficient, surpassing baseline recall with a fraction of the labeled data.
- Abstract(参考訳): 現在の最先端のオブジェクト提案ネットワークは、クローズドワールドの仮定でトレーニングされる。
これらのモデルは、重要な新しいオブジェクトが遭遇する可能性のあるオープンな環境において、高いリコールを提供することができない。
この問題に対処しようとする最近の研究はいくつかあるが、提案ネットワークの最適動作はデータやアプリケーションによって大きく異なる可能性があるとは考えていない。
私たちのゴールは、さまざまなオープンワールド設定に合わせて簡単に調整できるフレキシブルな提案ソリューションを提供することです。
この目的のために、調整可能なハイブリッドアーキテクチャ、新しい自己学習手順、動的損失要素を活用するTunable Hybrid Proposal Network (THPN) を設計し、未知のオブジェクト検出性能と未知のオブジェクト検出性能のトレードオフを最適化する。
本手法を徹底的に評価するために,既知のクラス多様性とラベル数を変化させることで,ラベルバイアスの度合いを変動させるいくつかの新しい課題を考案した。
すべてのタスクにおいて、THPNは既存のベースライン(例えば、RPN、OLN)を容易に上回ります。
また,本手法はデータ効率も高く,ラベル付きデータのごく一部でベースラインリコールを上回っている。
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。