論文の概要: Towards Generalized Few-Shot Open-Set Object Detection

• arxiv url: http://arxiv.org/abs/2210.15996v3
• Date: Thu, 22 Feb 2024 01:58:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-23 19:18:28.742511
• Title: Towards Generalized Few-Shot Open-Set Object Detection
• Title（参考訳）: 一般化Few-Shotオープンセットオブジェクト検出に向けて
• Authors: Binyi Su, Hua Zhang, Jingzhi Li, 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拒否することを目的としている。 本稿では,G-FOOD (Generalized few-shot Open-set Object Detection) の解を求める。 この問題に対処する新しいG-FOODアルゴリズム, underlineFew-shunderlineOt underline Open-set underlineDetector (FOOD)を提案する。
• 参考スコア（独自算出の注目度）: 13.671120689841736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-set object detection (OSOD) aims to detect the known categories and reject unknown objects in a dynamic world, which has achieved significant attention. However, previous approaches only consider this problem in data-abundant conditions, while neglecting the few-shot scenes. In this paper, we seek a solution for the generalized few-shot open-set object detection (G-FOOD), which aims to avoid detecting unknown classes as known classes with a high confidence score while maintaining the performance of few-shot detection. The main challenge for this task is that few training samples induce the model to overfit on the known classes, resulting in a poor open-set performance. We propose a new G-FOOD algorithm to tackle this issue, named \underline{F}ew-sh\underline{O}t \underline{O}pen-set \underline{D}etector (FOOD), which contains a novel class weight sparsification classifier (CWSC) and a novel unknown decoupling learner (UDL). To prevent over-fitting, CWSC randomly sparses parts of the normalized weights 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 threshold, prototype, or generation. We compare our method with several state-of-the-art OSOD methods in few-shot scenes and observe that our method improves the F-score of unknown classes by 4.80\%-9.08\% across all shots in VOC-COCO dataset settings \footnote[1]{The source code is available at \url{https://github.com/binyisu/food}}.
• 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拒絶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するが、いくつかのシーンは無視する。 本稿では,既知のクラスとして未知のクラスを高い信頼度で検出することを避けつつ,少数ショット検出の性能を維持することを目的とした,一般化されたオープンセットオブジェクト検出(g-food)の解を求める。 このタスクの主な課題は、モデルが既知のクラスに過度に適合するよう誘導するトレーニングサンプルが少ないことである。 本稿では,この問題に対処する新しいg-foodアルゴリズムを提案する。このアルゴリズムは,新しいクラス重み分離分類器 (cwsc) と新しい未知非結合学習器 (udl) を含む。 過度な適合を防ぐため、CWSCはすべてのクラスのロジット予測のために正規化重みの一部をランダムにスペーサーし、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、しきい値、プロトタイプ、生成なしに信頼確率で識別することができる。 voc-cocoデータセット設定 \footnote[1]{the source code is available at \url{https://github.com/binyisu/food}} において,本手法は未知クラスのfスコアを4.80\%-9.08\%向上させる。

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。