論文の概要: Towards Few-Shot Open-Set Object Detection
- arxiv url: http://arxiv.org/abs/2210.15996v1
- Date: Fri, 28 Oct 2022 09:02:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 16:24:24.148924
- Title: Towards Few-Shot Open-Set Object Detection
- Title(参考訳): 数発オープンセット物体検出に向けて
- Authors: Binyi Su, Hua Zhang, Zhong Zhou
- Abstract要約: オープンセットオブジェクト検出(OSOD)は、既知のカテゴリを検出し、動的世界の未知のオブジェクトを特定することを目的としている。
従来のアプローチでは、この問題はデータ境界条件でのみ考慮されていた。
我々は、少数のサンプルに基づいて迅速に検出を訓練することを目的とした、数発のオープンセットオブジェクト検出(FSOSOD)のソリューションを模索する。
- 参考スコア(独自算出の注目度): 8.992364560143814
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Open-set object detection (OSOD) aims to detect the known categories and
identify unknown objects in a dynamic world, which has achieved significant
attentions. However, previous approaches only consider this problem in
data-abundant conditions. We seek a solution for few-shot open-set object
detection (FSOSOD), which aims to quickly train a detector based on few samples
while detecting all known classes and identifying unknown classes. The main
challenge for this task is that few training samples tend to overfit on the
known classes, and lead to poor open-set performance. We propose a new FSOSOD
algorithm to tackle this issue, named FOOD, which contains a novel class
dropout cosine classifier (CDCC) and a novel unknown decoupling learner (UDL).
To prevent over-fitting, CDCC randomly inactivates parts of the normalized
neurons for the logit prediction of all classes, and then decreases the
co-adaptability between the class and its neighbors. Alongside, UDL decouples
training the unknown class and enables the model to form a compact unknown
decision boundary. Thus, the unknown objects can be identified with a
confidence probability without any pseudo-unknown samples for training. We
compare our method with several state-of-the-art OSOD methods in few-shot
scenes and observe that our method improves the recall of unknown classes by
5%-9% across all shots in VOC-COCO dataset setting.
- Abstract(参考訳): open-set object detection (osod) は、既知のカテゴリを検出し、動的世界の未知のオブジェクトを識別することを目的としている。
しかし、従来のアプローチでは、この問題はデータ・バウンダント条件でのみ考慮されていた。
本手法は, 未知のクラスをすべて検出し, 未知のクラスを識別しながら, 少数のサンプルに基づいて検出者を迅速に訓練することを目的としている。
このタスクの主な課題は、既知のクラスに過度に適合するトレーニングサンプルがほとんどなく、オープンセットのパフォーマンスが低下することです。
本稿では,新しいクラスドロップアウトコサイン分類器 (CDCC) と未知の疎結合学習器 (UDL) を含む新しいFSOSODアルゴリズムであるFOODを提案する。
過剰適合を防ぐため、CDCCは正常化されたニューロンの一部をランダムに不活性化して全てのクラスのロジット予測を行い、その後、クラスと隣人の共適応性を低下させる。
同時に、UDLは未知のクラスを訓練し、モデルがコンパクトな未知の決定境界を形成することを可能にする。
したがって、未知のオブジェクトは、トレーニングのための擬似未知のサンプルなしで、信頼確率で識別することができる。
本手法をいくつかの最先端osod法と比較し,voc-cocoデータセット設定における未知クラスのリコールを5%-9%改善することを確認した。
関連論文リスト
- Semi-supervised Open-World Object Detection [74.95267079505145]
半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。
提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。
我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
論文 参考訳(メタデータ) (2024-02-25T07:12:51Z) - 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) - USD: Unknown Sensitive Detector Empowered by Decoupled Objectness and
Segment Anything Model [14.080744645704751]
Open World Object Detection (OWOD) は、新しいコンピュータビジョンタスクである。
本稿では,この2つの境界の学習をデコーダ層に分割する,シンプルで効果的な学習戦略であるDecoupled Objectness Learning(DOL)を提案する。
また、擬似ラベルとソフトウェイト戦略を用いてノイズの負の影響を緩和する補助的スーパービジョンフレームワーク(ASF)も導入する。
論文 参考訳(メタデータ) (2023-06-04T06:42:09Z) - Open World DETR: Transformer based Open World Object Detection [60.64535309016623]
そこで我々は,Deformable DETRに基づくオープンワールドオブジェクト検出のための2段階学習手法Open World DETRを提案する。
モデルのクラス固有のコンポーネントを多視点の自己ラベル戦略と一貫性制約で微調整する。
提案手法は、他の最先端のオープンワールドオブジェクト検出方法よりも大きなマージンで優れている。
論文 参考訳(メタデータ) (2022-12-06T13:39:30Z) - Detecting the unknown in Object Detection [20.84221126313118]
我々は、アノテーションを必要とせずに未知のオブジェクトを予測できるUNKADと呼ばれる新しいトレーニング戦略を提案する。
UNKADはまず未知のオブジェクトを識別し、擬似ラベルを使用して未知のクラスをトレーニングする。
UNKADは未知の物体を直接検出できるが、従来の未知の検出技術と組み合わせることで、コストなしで性能を向上できることを示す。
論文 参考訳(メタデータ) (2022-08-24T16:27:38Z) - Expanding Low-Density Latent Regions for Open-Set Object Detection [32.29988419525467]
潜在空間における高密度領域と低密度領域を分離することにより未知の物体を同定する。
低密度領域を拡張した新しいOpen-set Detector(OpenDet)を提案する。
論文 参考訳(メタデータ) (2022-03-28T17:11:09Z) - Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
オープンセット認識の問題点を考察する。
新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
論文 参考訳(メタデータ) (2020-05-27T23:49:26Z) - Any-Shot Object Detection [81.88153407655334]
「アニーショット検出」とは、全く見えず、数発のカテゴリが推論中に同時に共起できる場所である。
我々は、ゼロショットと少数ショットの両方のオブジェクトクラスを同時に検出できる、統合された任意のショット検出モデルを提案する。
我々のフレームワークは、ゼロショット検出とFewショット検出タスクにのみ使用できる。
論文 参考訳(メタデータ) (2020-03-16T03:43:15Z) - Frustratingly Simple Few-Shot Object Detection [98.42824677627581]
希少なクラスにおける既存検出器の最後の層のみを微調整することは、数発の物体検出タスクに不可欠である。
このような単純なアプローチは、現在のベンチマークで約220ポイントのメタ学習方法より優れている。
論文 参考訳(メタデータ) (2020-03-16T00:29:14Z)
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。