論文の概要: Open-Set Automatic Target Recognition

• arxiv url: http://arxiv.org/abs/2211.05883v1
• Date: Thu, 10 Nov 2022 21:28:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 16:24:12.628304
• Title: Open-Set Automatic Target Recognition
• Title（参考訳）: オープンセット自動目標認識
• Authors: Bardia Safaei, Vibashan VS, Celso M. de Melo, Shuowen Hu, and Vishal M. Patel
• Abstract要約: オートマチックターゲット認識(Automatic Target Recognition、ATR)は、異なるセンサーから取得したデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。 既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。 ATRアルゴリズムのオープンセット認識機能を実現するためのオープンセット自動ターゲット認識フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 52.27048031302509
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic Target Recognition (ATR) is a category of computer vision algorithms which attempts to recognize targets on data obtained from different sensors. ATR algorithms are extensively used in real-world scenarios such as military and surveillance applications. Existing ATR algorithms are developed for traditional closed-set methods where training and testing have the same class distribution. Thus, these algorithms have not been robust to unknown classes not seen during the training phase, limiting their utility in real-world applications. To this end, we propose an Open-set Automatic Target Recognition framework where we enable open-set recognition capability for ATR algorithms. In addition, we introduce a plugin Category-aware Binary Classifier (CBC) module to effectively tackle unknown classes seen during inference. The proposed CBC module can be easily integrated with any existing ATR algorithms and can be trained in an end-to-end manner. Experimental results show that the proposed approach outperforms many open-set methods on the DSIAC and CIFAR-10 datasets. To the best of our knowledge, this is the first work to address the open-set classification problem for ATR algorithms. Source code is available at: https://github.com/bardisafa/Open-set-ATR.
• Abstract（参考訳）: 自動目標認識(Automatic Target Recognition、ATR)は、異なるセンサーから得られたデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。 ATRアルゴリズムは、軍事や監視といった現実世界のシナリオで広く使われている。 既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。 したがって、これらのアルゴリズムはトレーニングフェーズで見られない未知のクラスに対して堅牢ではなく、実世界のアプリケーションでの有用性を制限している。 そこで本研究では,atrアルゴリズムのオープンセット認識を可能にするオープンセット自動目標認識フレームワークを提案する。 さらに,推論中に見られる未知のクラスを効果的に取り扱うために,プラグインカテゴリ対応バイナリ分類器(cbc)モジュールを導入する。 提案したCBCモジュールは既存のATRアルゴリズムと容易に統合でき、エンドツーエンドでトレーニングすることができる。 実験の結果,提案手法は DSIAC および CIFAR-10 データセット上で多くのオープンセット手法より優れていることがわかった。 私たちの知る限りでは、これはatrアルゴリズムのオープンセット分類問題に対処する最初の仕事です。 ソースコードはhttps://github.com/bardisafa/open-set-atr。

関連論文リスト

• Informed Decision-Making through Advancements in Open Set Recognition and Unknown Sample Detection [0.0]
  オープンセット認識(OSR)は、より現実に近い状況に分類タスクを導入することを目的としている。 本研究は,OSRタスクの分類を改善するために,特徴空間の新たな表現を探索するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-05-09T15:15:34Z)
• OpenGCD: Assisting Open World Recognition with Generalized Category Discovery [4.600906853436266]
  望ましいオープンワールド認識(OWR)システムは、3つのタスクを実行する必要がある。 上記の問題を逐次解決するために,3つの鍵となるアイデアを組み合わせたOpenGCDを提案する。 2つの標準分類ベンチマークと挑戦的なデータセットの実験は、OpenGCDが優れた互換性を提供するだけでなく、他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2023-08-14T04:10:45Z)
• Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
  オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。 本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。 複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-07-05T16:25:34Z)
• DAAS: Differentiable Architecture and Augmentation Policy Search [107.53318939844422]
  この研究は、ニューラルネットワークとデータ拡張のカップリングの可能性を検討し、それらを共同で検索する効果的なアルゴリズムを提案する。 CIFAR-10では97.91%、ImageNetデータセットでは76.6%の精度で97.91%の精度を達成し、検索アルゴリズムの優れた性能を示している。
  論文  参考訳（メタデータ） (2021-09-30T17:15:17Z)
• Bayesian Embeddings for Few-Shot Open World Recognition [60.39866770427436]
  埋め込みベースの数ショット学習アルゴリズムをオープンワールド認識設定に拡張する。 当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。
  論文  参考訳（メタデータ） (2021-07-29T00:38:47Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Opening Deep Neural Networks with Generative Models [2.0962464943252934]
  本稿では,事前学習したDeep Neural Networksに付加して視覚認識を行うことのできる,シンプルでプラグアンドプレイなオープンセット認識モジュールGeMOSを提案する。 GeMOSフレームワークは、事前訓練された畳み込みニューラルネットワークと、オープンセット認識のための生成モデルを組み合わせて、サンプル毎にオープンセットスコアを抽出する。 提案手法を最先端のオープンセットアルゴリズムと比較して徹底的に評価し,GeMOSがより複雑でコストのかかるモデルよりも優れているか,あるいは統計的に区別できないかを見出した。
  論文  参考訳（メタデータ） (2021-05-20T20:02:29Z)
• Open-set Recognition based on the Combination of Deep Learning and Ensemble Method for Detecting Unknown Traffic Scenarios [0.9711326718689492]
  本研究では、Convolutional Neural Networks(CNN)とRandom Forest(RF)を組み合わせて、交通シナリオのオープンセット認識を提案する。 RFのアンサンブルの性質を継承することにより、極値理論と組み合わされた全ての木の投票パターンが未知のクラスを検出するのに適していることが示される。
  論文  参考訳（メタデータ） (2021-05-17T06:48:15Z)
• Discovering Reinforcement Learning Algorithms [53.72358280495428]
  強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。 本稿では,更新ルール全体を検出するメタラーニング手法を提案する。 これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
  論文  参考訳（メタデータ） (2020-07-17T07:38:39Z)

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。