論文の概要: NIFF: Alleviating Forgetting in Generalized Few-Shot Object Detection
via Neural Instance Feature Forging
- arxiv url: http://arxiv.org/abs/2303.04958v1
- Date: Thu, 9 Mar 2023 00:26:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 16:30:23.172600
- Title: NIFF: Alleviating Forgetting in Generalized Few-Shot Object Detection
via Neural Instance Feature Forging
- Title(参考訳): NIFF:Neural Instance Feature Forgingによる汎用Few-Shotオブジェクト検出におけるフォッティングの軽減
- Authors: Karim Guirguis, Johannes Meier, George Eskandar, Matthias Kayser, Bin
Yang, Juergen Beyerer
- Abstract要約: Generalized Few-shot Object Detection (G-FSOD)はAIの学習パラダイムである。
G-FSODは、基礎クラスの破滅的な忘れを緩和しながら、新しいクラスを学ぶことを目指している。
本稿では,G-FSODのためのデータフリーな知識蒸留(DFKD)手法を提案する。
- 参考スコア(独自算出の注目度): 4.115458354238768
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Privacy and memory are two recurring themes in a broad conversation about the
societal impact of AI. These concerns arise from the need for huge amounts of
data to train deep neural networks. A promise of Generalized Few-shot Object
Detection (G-FSOD), a learning paradigm in AI, is to alleviate the need for
collecting abundant training samples of novel classes we wish to detect by
leveraging prior knowledge from old classes (i.e., base classes). G-FSOD
strives to learn these novel classes while alleviating catastrophic forgetting
of the base classes. However, existing approaches assume that the base images
are accessible, an assumption that does not hold when sharing and storing data
is problematic. In this work, we propose the first data-free knowledge
distillation (DFKD) approach for G-FSOD that leverages the statistics of the
region of interest (RoI) features from the base model to forge instance-level
features without accessing the base images. Our contribution is three-fold: (1)
we design a standalone lightweight generator with (2) class-wise heads (3) to
generate and replay diverse instance-level base features to the RoI head while
finetuning on the novel data. This stands in contrast to standard DFKD
approaches in image classification, which invert the entire network to generate
base images. Moreover, we make careful design choices in the novel finetuning
pipeline to regularize the model. We show that our approach can dramatically
reduce the base memory requirements, all while setting a new standard for
G-FSOD on the challenging MS-COCO and PASCAL-VOC benchmarks.
- Abstract(参考訳): プライバシとメモリは、AIの社会的影響に関する広範な会話において、2つの繰り返しテーマである。
これらの懸念は、ディープニューラルネットワークをトレーニングするための膨大なデータの必要性から生じる。
AIの学習パラダイムであるGeneralized Few-shot Object Detection (G-FSOD)の約束は、古いクラス(ベースクラス)から事前の知識を活用することで、検出したい新しいクラスの豊富なトレーニングサンプルを集める必要性を軽減することである。
G-FSODはこれらの新しいクラスを学習し、基礎クラスの破滅的な忘れを緩和する。
しかし、既存のアプローチでは、ベースイメージがアクセス可能であると仮定しており、データの共有と保存が問題となる。
本稿では,ベースモデルからの関心領域(roi)特徴の統計を活用し,ベース画像にアクセスせずにインスタンスレベルの特徴を偽造する,g-fsodに対する最初のデータフリー知識蒸留(dfkd)手法を提案する。
1)(2)クラスワイドヘッドを備えたスタンドアロン軽量ジェネレータを設計し、新規なデータを微調整しながら、インスタンスレベルの多様な特徴をRoIヘッドに生成・再生する。
これは、ベース画像を生成するためにネットワーク全体を反転させる、イメージ分類における標準的なDFKDアプローチとは対照的である。
さらに,新しい微調整パイプラインで注意深い設計選択を行い,モデルを定式化する。
提案手法は,MS-COCOおよびPASCAL-VOCベンチマーク上でG-FSODの新しい標準を設定しながら,ベースメモリ要件を劇的に削減できることを示す。
関連論文リスト
- InfRS: Incremental Few-Shot Object Detection in Remote Sensing Images [11.916941756499435]
本稿では,リモートセンシング画像におけるインクリメンタルな数ショット物体検出の複雑な課題について検討する。
本稿では,新しい授業の漸進的な学習を促進するために,InfRSと呼ばれる先駆的な微調整技術を導入する。
我々はワッサーシュタイン距離に基づく原型校正戦略を開発し、破滅的な忘れ問題を軽減する。
論文 参考訳(メタデータ) (2024-05-18T13:39:50Z) - Constructing Sample-to-Class Graph for Few-Shot Class-Incremental
Learning [10.111587226277647]
FSCIL(Few-shot class-incremental Learning)は、いくつかのデータサンプルから新しい概念を継続的に学習するマシンラーニングモデルの構築を目的とする。
本稿では,FSCILのためのS2Cグラフ学習手法を提案する。
論文 参考訳(メタデータ) (2023-10-31T08:38:14Z) - Target-Aware Generative Augmentations for Single-Shot Adaptation [21.840653627684855]
我々は、ソースドメインからターゲットドメインへのモデル適応のための新しいアプローチを提案する。
SiSTAは、単一ショットターゲットを用いてソースドメインから生成モデルを微調整し、その後、合成ターゲットデータをキュレートするための新しいサンプリング戦略を用いる。
顔検出や多クラス物体認識において,SiSTAは既存のベースラインよりも大幅に向上していることがわかった。
論文 参考訳(メタデータ) (2023-05-22T17:46:26Z) - Adaptive Fine-Grained Sketch-Based Image Retrieval [100.90633284767205]
最近のファイングレード・スケッチに基づく画像検索は、モデルから新しいカテゴリへの一般化へとシフトしている。
実世界のアプリケーションでは、トレーニングされたFG-SBIRモデルは、新しいカテゴリと異なる人間のスケッチラーの両方に適用されることが多い。
モデルに依存しないメタラーニング(MAML)に基づく新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-04T21:07:20Z) - Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
近年では、FSS ( few-shot segmentation) が広く開発されている。
本稿では,問題を緩和するための新鮮で直接的な知見を提案する。
提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
論文 参考訳(メタデータ) (2022-03-15T03:08:27Z) - Novel Class Discovery in Semantic Segmentation [104.30729847367104]
セマンティックにおける新しいクラス発見(NCDSS)について紹介する。
ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。
NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。
本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
論文 参考訳(メタデータ) (2021-12-03T13:31:59Z) - Bridging Non Co-occurrence with Unlabeled In-the-wild Data for
Incremental Object Detection [56.22467011292147]
物体検出における破滅的忘れを緩和するために,いくつかの漸進的学習法が提案されている。
有効性にもかかわらず、これらの手法は新規クラスのトレーニングデータにラベルのないベースクラスの共起を必要とする。
そこで本研究では,新たな授業の訓練において,欠落した基本クラスが原因で生じる非発生を補うために,未ラベルのインザ・ザ・ワイルドデータを使用することを提案する。
論文 参考訳(メタデータ) (2021-10-28T10:57:25Z) - Always Be Dreaming: A New Approach for Data-Free Class-Incremental
Learning [73.24988226158497]
データフリークラスインクリメンタルラーニング(DFCIL)における高インパクト問題について考察する。
そこで本研究では, 改良型クロスエントロピートレーニングと重要重み付き特徴蒸留に寄与するDFCILの新たなインクリメンタル蒸留戦略を提案する。
本手法は,共通クラスインクリメンタルベンチマークにおけるSOTA DFCIL法と比較して,最終タスク精度(絶対差)が25.1%向上する。
論文 参考訳(メタデータ) (2021-06-17T17:56:08Z) - Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。
少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。
これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
論文 参考訳(メタデータ) (2020-08-04T10:41:32Z) - Incremental Few-Shot Object Detection for Robotics [15.082365880914896]
クラスインクリメンタルなFew-Shot Object Detection (CI-FSOD) フレームワークにより、ディープオブジェクト検出ネットワークは、少数のサンプルから効果的な連続学習を行うことができる。
我々のフレームワークは単純だが有効であり、AP性能において2.4ポイントの差で以前のSOTAより優れています。
論文 参考訳(メタデータ) (2020-05-06T08:05:08Z)
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。