論文の概要: Fast Hierarchical Learning for Few-Shot Object Detection

• arxiv url: http://arxiv.org/abs/2210.05008v1
• Date: Mon, 10 Oct 2022 20:31:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 17:14:19.197481
• Title: Fast Hierarchical Learning for Few-Shot Object Detection
• Title（参考訳）: ファウショット物体検出のための高速階層学習
• Authors: Yihang She, Goutam Bhat, Martin Danelljan, Fisher Yu
• Abstract要約: 転送学習アプローチは、最近、数ショット検出タスクで有望な結果を得た。 これらのアプローチは、ベース検出器の微調整による破滅的な忘れ込みの問題に悩まされる。 この作業における上記の問題に対処する。
• 参考スコア（独自算出の注目度）: 57.024072600597464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transfer learning based approaches have recently achieved promising results on the few-shot detection task. These approaches however suffer from ``catastrophic forgetting'' issue due to finetuning of base detector, leading to sub-optimal performance on the base classes. Furthermore, the slow convergence rate of stochastic gradient descent (SGD) results in high latency and consequently restricts real-time applications. We tackle the aforementioned issues in this work. We pose few-shot detection as a hierarchical learning problem, where the novel classes are treated as the child classes of existing base classes and the background class. The detection heads for the novel classes are then trained using a specialized optimization strategy, leading to significantly lower training times compared to SGD. Our approach obtains competitive novel class performance on few-shot MS-COCO benchmark, while completely retaining the performance of the initial model on the base classes. We further demonstrate the application of our approach to a new class-refined few-shot detection task.
• Abstract（参考訳）: 転送学習に基づくアプローチは、最近、少数ショット検出タスクで有望な結果を得た。 しかし、これらのアプローチは、ベース検出器の微調整による「破滅的忘れ」の問題に悩まされ、ベースクラスでの準最適性能に繋がる。 さらに、確率勾配降下(sgd)の遅い収束速度は、高いレイテンシをもたらし、結果としてリアルタイムアプリケーションを制限する。 我々はこの仕事で前述の問題に取り組む。 我々は,新しいクラスを既存のベースクラスとバックグラウンドクラスの子クラスとして扱う階層的学習問題として,少ないショット検出を提案する。 新規クラスの検出ヘッドは、特殊最適化戦略を用いて訓練され、SGDと比較してトレーニング時間が大幅に短縮される。 提案手法は,MS-COCOベンチマークにおいて,基本クラスにおける初期モデルの性能を完全に維持しながら,競合する新規クラス性能を得る。 さらに,このアプローチを,新たなクラス改良によるマイナショット検出タスクに適用することを示す。

関連論文リスト

• Meta-tuning Loss Functions and Data Augmentation for Few-shot Object Detection [7.262048441360132]
  少ないショットのオブジェクト検出は、少数ショットの学習とオブジェクト検出という領域において、新たなトピックである。 本稿では,数発検出を促進できる帰納的バイアスの学習を可能にする訓練手法を提案する。 提案手法は,高パラメトリックかつ複雑な数ショットメタモデルとは対照的に,解釈可能な損失関数を生成する。
  論文  参考訳（メタデータ） (2023-04-24T15:14:16Z)
• Harmonizing Base and Novel Classes: A Class-Contrastive Approach for Generalized Few-Shot Segmentation [78.74340676536441]
  本稿では,プロトタイプの更新を規制し,プロトタイプ間の距離を広くするために,クラス間のコントラスト損失とクラス関係損失を提案する。 提案手法は,PASCAL VOC および MS COCO データセット上での一般化された小ショットセグメンテーションタスクに対して,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-03-24T00:30:25Z)
• Margin-Based Few-Shot Class-Incremental Learning with Class-Level Overfitting Mitigation [19.975435754433754]
  FSCIL(Few-shot class-incremental Learning)は、少数のトレーニングサンプルで新規クラスを段階的に認識するように設計されている。 ベースクラスのトレーニングに対するよく知られた変更は、ベースクラスの分類にマージンを適用することである。 本研究では,CO 問題を軽減するために,利幅に基づく新たな FSCIL 法を提案する。
  論文  参考訳（メタデータ） (2022-10-10T09:45:53Z)
• Zero-Shot Temporal Action Detection via Vision-Language Prompting [134.26292288193298]
  視覚言語プロンプト(STALE)を用いた新しいゼロショット時間行動検出モデルを提案する。 我々のモデルは最先端の代替品を著しく上回っている。 我々のモデルは、近年の強力な競合相手よりも監督的TADにおいて優れた結果をもたらす。
  論文  参考訳（メタデータ） (2022-07-17T13:59:46Z)
• Demystifying the Base and Novel Performances for Few-shot Class-incremental Learning [15.762281194023462]
  FSCIL(Few-shot class-incremental Learning)は、目に見えない新しいクラスがほとんどサンプルを持って絶えずやってくる現実のシナリオに対処している。 先行知識を忘れずに新しいクラスを認識するモデルを開発する必要がある。 本手法は,高度な最先端アルゴリズムと同等の性能を有することを示す。
  論文  参考訳（メタデータ） (2022-06-18T00:39:47Z)
• CFA: Constraint-based Finetuning Approach for Generalized Few-Shot Object Detection [0.0]
  一般化された小ショットオブジェクト検出(G-FSOD)は、これまで見られたベースクラスを忘れずにFSODに取り組むことを目的としている。 CFAは、A-GEM(Average Gradient Episodic Memory)という連続的な学習法をG-FSODに適応させる。 提案手法は,従来のFSOD法とG-FSOD法を基本課題に軽微な劣化を伴う新しい課題において上回っている。
  論文  参考訳（メタデータ） (2022-04-11T16:04:54Z)
• 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)
• Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
  textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。 広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
  論文  参考訳（メタデータ） (2021-03-30T00:48:28Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)

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。