論文の概要: Parsing Objects at a Finer Granularity: A Survey

• arxiv url: http://arxiv.org/abs/2212.13693v1
• Date: Wed, 28 Dec 2022 04:20:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 15:38:20.126361
• Title: Parsing Objects at a Finer Granularity: A Survey
• Title（参考訳）: より細かい粒度でオブジェクトを解析する:調査
• Authors: Yifan Zhao, Jia Li, Yonghong Tian
• Abstract要約: 微細な視覚解析は、農業、リモートセンシング、宇宙技術など、多くの現実世界の応用において重要である。 卓越した研究努力は、異なるパラダイムに従って、これらのきめ細かいサブタスクに取り組む。 我々は,パート関係を学習する新たな視点から,先進的な研究を深く研究する。
• 参考スコア（独自算出の注目度）: 54.72819146263311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-grained visual parsing, including fine-grained part segmentation and fine-grained object recognition, has attracted considerable critical attention due to its importance in many real-world applications, e.g., agriculture, remote sensing, and space technologies. Predominant research efforts tackle these fine-grained sub-tasks following different paradigms, while the inherent relations between these tasks are neglected. Moreover, given most of the research remains fragmented, we conduct an in-depth study of the advanced work from a new perspective of learning the part relationship. In this perspective, we first consolidate recent research and benchmark syntheses with new taxonomies. Based on this consolidation, we revisit the universal challenges in fine-grained part segmentation and recognition tasks and propose new solutions by part relationship learning for these important challenges. Furthermore, we conclude several promising lines of research in fine-grained visual parsing for future research.
• Abstract（参考訳）: 微粒な部分分割や微粒な物体認識を含む微粒な視覚解析は、農業、リモートセンシング、宇宙技術など多くの実世界の応用において重要であることから、かなりの注目を集めている。 卓越した研究努力は、異なるパラダイムに従うこれらのきめ細かいサブタスクに取り組む一方で、これらのタスク間の固有の関係は無視されている。 さらに,研究の大部分は断片化されているため,パート関係の学習という新たな視点から,先進的な研究を深く研究する。 この観点から、我々はまず最近の研究とベンチマーク合成を新しい分類学と統合する。 この統合に基づいて、細粒度部分分割および認識タスクにおける普遍的な課題を再考し、これらの重要な課題に対する部分関係学習による新しいソリューションを提案する。 さらに, 今後の研究のために, きめ細かな視覚的解析に関するいくつかの有望な研究成果をまとめる。

関連論文リスト

• Unsupervised Object Discovery: A Comprehensive Survey and Unified Taxonomy [6.346947904159397]
  教師なしのオブジェクト発見は、一般に、ラベル付き例を必要とせず、視覚データ中のオブジェクトのローカライズおよび/または分類のタスクとして解釈される。 本調査では,既存のアプローチの詳細な調査を行い,課題と採用手法のファミリーに基づいて,この課題を体系的に分類する。 本稿では,共通データセットとメトリクスの概要を述べるとともに,評価プロトコルの違いによる手法の比較の課題について述べる。
  論文  参考訳（メタデータ） (2024-10-30T21:22:48Z)
• Recent Advances in Hate Speech Moderation: Multimodality and the Role of Large Models [52.24001776263608]
  この包括的調査は、HSモデレーションの最近の歩みを掘り下げている。 大型言語モデル(LLM)と大規模マルチモーダルモデル(LMM)の急成長する役割を強調した。 研究における既存のギャップを、特に表現不足言語や文化の文脈で特定する。
  論文  参考訳（メタデータ） (2024-01-30T03:51:44Z)
• The What, Why, and How of Context Length Extension Techniques in Large Language Models -- A Detailed Survey [6.516561905186376]
  大規模言語モデル(LLM)の出現は、自然言語処理(NLP)における顕著なブレークスルーを表している。 本研究では,文脈長の延長に伴う固有の課題について検討し,研究者が採用した既存戦略の概要を整理した。 評価基準について,研究コミュニティ内に合意が存在するか検討し,さらに合意が必要な分野を特定する。
  論文  参考訳（メタデータ） (2024-01-15T18:07:21Z)
• Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark [55.898771405172155]
  フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。 我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2023-11-12T06:32:30Z)
• A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
  蓄積とは、以前に獲得した知識の喪失または劣化を指す。 フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
  論文  参考訳（メタデータ） (2023-07-16T16:27:58Z)
• A Survey on Semi-Supervised Semantic Segmentation [3.5450828190071655]
  本研究では,半教師付きセマンティックセグメンテーションにおける技術の現状について概説する。 それは、文献の中で最も広く使われているベクンマークデータセットの分類学のすべてのカテゴリを表す様々なモデルの実験を含む。
  論文  参考訳（メタデータ） (2023-02-20T10:54:03Z)
• Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
  きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。 本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
  論文  参考訳（メタデータ） (2021-11-11T09:43:56Z)
• Positioning yourself in the maze of Neural Text Generation: A Task-Agnostic Survey [54.34370423151014]
  本稿では, ストーリーテリング, 要約, 翻訳など, 世代ごとのタスクインパクトをリレーする手法の構成要素について検討する。 本稿では,学習パラダイム,事前学習,モデリングアプローチ,復号化,各分野における重要な課題について,命令的手法の抽象化を提案する。
  論文  参考訳（メタデータ） (2020-10-14T17:54:42Z)

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。