論文の概要: Zero-shot Object Counting

• arxiv url: http://arxiv.org/abs/2303.02001v2
• Date: Mon, 24 Apr 2023 15:51:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 20:49:10.516185
• Title: Zero-shot Object Counting
• Title（参考訳）: zero-shot オブジェクトのカウント
• Authors: Jingyi Xu, Hieu Le, Vu Nguyen, Viresh Ranjan, and Dimitris Samaras
• Abstract要約: クラスに依存しないオブジェクトカウントは、テスト時に任意のクラスのオブジェクトインスタンスをカウントすることを目的としている。 現在の手法では、新しいカテゴリではしばしば利用できない入力として、人間に注釈をつけた模範を必要とする。 テスト期間中にクラス名のみを利用できる新しい設定であるゼロショットオブジェクトカウント(ZSC)を提案する。
• 参考スコア（独自算出の注目度）: 31.192588671258775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Class-agnostic object counting aims to count object instances of an arbitrary class at test time. It is challenging but also enables many potential applications. Current methods require human-annotated exemplars as inputs which are often unavailable for novel categories, especially for autonomous systems. Thus, we propose zero-shot object counting (ZSC), a new setting where only the class name is available during test time. Such a counting system does not require human annotators in the loop and can operate automatically. Starting from a class name, we propose a method that can accurately identify the optimal patches which can then be used as counting exemplars. Specifically, we first construct a class prototype to select the patches that are likely to contain the objects of interest, namely class-relevant patches. Furthermore, we introduce a model that can quantitatively measure how suitable an arbitrary patch is as a counting exemplar. By applying this model to all the candidate patches, we can select the most suitable patches as exemplars for counting. Experimental results on a recent class-agnostic counting dataset, FSC-147, validate the effectiveness of our method. Code is available at https://github.com/cvlab-stonybrook/zero-shot-counting
• Abstract（参考訳）: クラスに依存しないオブジェクトカウントは、テスト時に任意のクラスのオブジェクトインスタンスをカウントすることを目的としている。 難しいが、多くの潜在的なアプリケーションを可能にする。 現在の方法は、新しいカテゴリー、特に自律システムでは利用できない入力として、人間に注釈を付けた例を必要とする。 そこで本研究では,テスト期間中にクラス名のみを設定できるゼロショットオブジェクトカウント(zsc)を提案する。 このようなカウントシステムは、ループ内の人間のアノテータを必要とせず、自動的に動作する。 クラス名から始めると、最適なパッチを正確に識別できる手法を提案し、それを例に数えることができる。 具体的には、最初にクラスプロトタイプを構築し、関心のあるオブジェクト、すなわちクラス関連パッチを含む可能性のあるパッチを選択する。 さらに,任意のパッチがカウント例としてどの程度適しているかを定量的に測定できるモデルを提案する。 このモデルをすべての候補パッチに適用することにより、カウントの例として最も適切なパッチを選択することができる。 最近のクラス非依存計数データセットであるfsc-147の実験結果は,本手法の有効性を検証する。 コードはhttps://github.com/cvlab-stonybrook/zero-shot-countingで入手できる。

関連論文リスト

• Zero-Shot Object Counting with Language-Vision Models [50.1159882903028]
  クラスに依存しないオブジェクトカウントは、テスト時に任意のクラスのオブジェクトインスタンスをカウントすることを目的としている。 現在の手法では、新しいカテゴリではしばしば利用できない入力として、人間に注釈をつけた模範を必要とする。 テスト期間中にクラス名のみを利用できる新しい設定であるゼロショットオブジェクトカウント(ZSC)を提案する。
  論文  参考訳（メタデータ） (2023-09-22T14:48:42Z)
• Mitigating Word Bias in Zero-shot Prompt-based Classifiers [55.60306377044225]
  一致したクラス先行は、オラクルの上界性能と強く相関していることを示す。 また,NLPタスクに対するプロンプト設定において,一貫したパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2023-09-10T10:57:41Z)
• Learning from Pseudo-labeled Segmentation for Multi-Class Object Counting [35.652092907690694]
  CAC(Class-Agnostic counting)は、様々な領域にまたがる多くの潜在的な応用がある。 目標は、いくつかの注釈付き例に基づいて、テスト中に任意のカテゴリのオブジェクトを数えることである。 擬似ラベルマスクを用いて学習したセグメンテーションモデルは、任意のマルチクラス画像に対して効果的に対象をローカライズできることを示す。
  論文  参考訳（メタデータ） (2023-07-15T01:33:19Z)
• Exemplar Free Class Agnostic Counting [28.41525571128706]
  クラス非依存カウントは、そのカテゴリのラベル付きトレーニングデータにアクセスせずに、新しいオブジェクトカテゴリのオブジェクトをテスト時にカウントすることを目的としている。 提案手法は,まず画像中のオブジェクトの繰り返しから例を識別し,次に繰り返しオブジェクトをカウントする。 FSC-147データセットに対する提案手法の評価を行い,既存手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2022-05-27T19:44:39Z)
• UnseenNet: Fast Training Detector for Any Unseen Concept [6.802401545890963]
  「見知らぬクラス検出器」は、競合精度でボックスをバウンディングすることなく、可能な限り見つからないクラスに対して、非常に短時間で訓練することができる。 我々のモデル(UnseenNet)は、未確認クラスのImageNet分類データセットに基づいて訓練され、オブジェクト検出データセット(Open Images)上でテストされる。
  論文  参考訳（メタデータ） (2022-03-16T17:17:10Z)
• Few-shot Learning for Unsupervised Feature Selection [59.75321498170363]
  教師なし特徴選択のための数ショット学習法を提案する。 提案手法では,未ラベルのターゲットインスタンスがいくつかある場合,対象タスクで関連する特徴のサブセットを選択することができる。 提案手法が既存の特徴選択法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-02T03:52:51Z)
• A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
  画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。 提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。 本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
  論文  参考訳（メタデータ） (2020-07-03T18:23:39Z)
• Overcoming Statistical Shortcuts for Open-ended Visual Counting [54.858754825838865]
  出力ラベルに関係なく、カウントする適切なメカニズムを学習するモデルを開発することを目的としている。 まず,統計的ショートカットに過度に依存するモデルを罰するModifying Count Distributionプロトコルを提案する。 第2に、視覚分析と自然言語質問に基づく数え上げを専門とする空間カウントネットワーク(SCN)を導入する。
  論文  参考訳（メタデータ） (2020-06-17T18:02:01Z)
• 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)

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。