論文の概要: Improving the Intra-class Long-tail in 3D Detection via Rare Example Mining

• arxiv url: http://arxiv.org/abs/2210.08375v1
• Date: Sat, 15 Oct 2022 20:52:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 17:12:59.300172
• Title: Improving the Intra-class Long-tail in 3D Detection via Rare Example Mining
• Title（参考訳）: 希少な例採鉱による3次元検出におけるクラス内ロングテールの改善
• Authors: Chiyu Max Jiang, Mahyar Najibi, Charles R. Qi, Yin Zhou, Dragomir Anguelov
• Abstract要約: 最高のパフォーマンスモデルでさえ、まれな例では最も単純なミスに悩まされます。 データサポートの欠如によるレアネスが3次元検出器におけるデータ中心の改善の鍵であることを示す。 本稿では,特徴空間における密度推定に基づいて,物体の希少性を同定する汎用的かつ効果的な手法を提案する。
• 参考スコア（独自算出の注目度）: 29.699694480757472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continued improvements in deep learning architectures have steadily advanced the overall performance of 3D object detectors to levels on par with humans for certain tasks and datasets, where the overall performance is mostly driven by common examples. However, even the best performing models suffer from the most naive mistakes when it comes to rare examples that do not appear frequently in the training data, such as vehicles with irregular geometries. Most studies in the long-tail literature focus on class-imbalanced classification problems with known imbalanced label counts per class, but they are not directly applicable to the intra-class long-tail examples in problems with large intra-class variations such as 3D object detection, where instances with the same class label can have drastically varied properties such as shapes and sizes. Other works propose to mitigate this problem using active learning based on the criteria of uncertainty, difficulty, or diversity. In this study, we identify a new conceptual dimension - rareness - to mine new data for improving the long-tail performance of models. We show that rareness, as opposed to difficulty, is the key to data-centric improvements for 3D detectors, since rareness is the result of a lack in data support while difficulty is related to the fundamental ambiguity in the problem. We propose a general and effective method to identify the rareness of objects based on density estimation in the feature space using flow models, and propose a principled cost-aware formulation for mining rare object tracks, which improves overall model performance, but more importantly - significantly improves the performance for rare objects (by 30.97\%
• Abstract（参考訳）: ディープラーニングアーキテクチャの継続的な改善は、3Dオブジェクト検出器の全体的なパフォーマンスを、特定のタスクやデータセットに対して人間と同等のレベルに着実に向上させています。 しかしながら、最高のパフォーマンスモデルでさえ、不規則なジオメトリーを持つ車両のようなトレーニングデータに頻繁に現れない稀な例に関して、最も単純なミスを被る。 ロングテール文学におけるほとんどの研究は、クラスごとの既知の不均衡なラベル数を持つクラス不均衡な分類問題に焦点を当てているが、3Dオブジェクト検出のような大きなクラス内変異を持つ問題において、クラス内ロングテールの例には直接適用されない。 他の研究は、不確実性、難易度、多様性の基準に基づいて、アクティブラーニングを用いてこの問題を軽減することを提案する。 本研究では,新しい概念次元であるレアネス(レアネス)を特定し,モデルのロングテール性能を改善するための新しいデータマイニングを行う。 難易度とは対照的に,難易度はデータサポートの欠如によるものであり,難易度は問題の根本的な曖昧さに関連しているため,難易度が3d検出器のデータ中心の改善の鍵であることを示す。 フローモデルを用いて特徴空間の密度推定に基づいてオブジェクトの希少性を同定する汎用的かつ効果的な手法を提案し、レアオブジェクトトラックをマイニングするための基本的コスト認識定式化を提案し、モデル全体の性能を向上するが、さらに重要なことに、レアオブジェクトの性能を大幅に向上させる(30.97 %)。

関連論文リスト

• Granularity Matters in Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
  ドメイン外データへの一般化の改善に注力する。 対象を逆向きに変形させるベクトルの集合を学習する。 本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
  論文  参考訳（メタデータ） (2023-08-29T17:58:55Z)
• Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for Autonomous Driving [91.39625612027386]
  我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。 具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。 この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T07:11:36Z)
• Anomaly Detection via Multi-Scale Contrasted Memory [3.0170109896527086]
  マルチスケールの標準プロトタイプをトレーニング中に記憶し,異常偏差値を計算する2段階の異常検出器を新たに導入する。 CIFAR-10の誤差相対改善率を最大35%とすることにより,多種多様なオブジェクト,スタイル,局所異常に対する最先端性能を高い精度で向上させる。
  論文  参考訳（メタデータ） (2022-11-16T16:58:04Z)
• Towards Long-Tailed 3D Detection [56.82185415482943]
  本研究では,Long-Tailed 3D Detection (LT3D) の課題について検討した。 各クラスの平均APは5%改善し,レアクラスのAPは劇的に改善した。
  論文  参考訳（メタデータ） (2022-11-16T06:00:47Z)
• Few-shot Deep Representation Learning based on Information Bottleneck Principle [0.0]
  標準異常検出問題では、サンプルが正規データの単一ソースから生成されたと仮定して、教師なしの設定で検出モデルを訓練する。 実際には、通常データは複数のクラスから構成されることが多いが、このような設定では、大規模ラベル付きデータを持たない通常のクラス間の相違点において、通常のインスタンスと異常を区別する学習が大きな課題となっている。 本研究では,通常のクラスからサンプルを少数用意することで,この課題を克服しようと試みるが,これは過度にコストがかかるものではない。
  論文  参考訳（メタデータ） (2021-11-25T07:15:12Z)

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。