論文の概要: The Art of Camouflage: Few-Shot Learning for Animal Detection and Segmentation

• arxiv url: http://arxiv.org/abs/2304.07444v4
• Date: Tue, 6 Aug 2024 01:31:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 19:51:34.525834
• Title: The Art of Camouflage: Few-Shot Learning for Animal Detection and Segmentation
• Title（参考訳）: カモフラージュの芸術:動物検出とセグメンテーションのためのいくつかのショット学習
• Authors: Thanh-Danh Nguyen, Anh-Khoa Nguyen Vu, Nhat-Duy Nguyen, Vinh-Tiep Nguyen, Thanh Duc Ngo, Thanh-Toan Do, Minh-Triet Tran, Tam V. Nguyen,
• Abstract要約: カモフラージュされた物体の検出とセグメンテーションにおける数ショット学習の問題に対処する。 そこで我々は, Camouflaged インスタンスを効率的に検出・分割するフレームワーク FS-CDIS を提案する。 提案手法は,新たに収集したデータセットの最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 21.047026366450197
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Camouflaged object detection and segmentation is a new and challenging research topic in computer vision. There is a serious issue of lacking data on concealed objects such as camouflaged animals in natural scenes. In this paper, we address the problem of few-shot learning for camouflaged object detection and segmentation. To this end, we first collect a new dataset, CAMO-FS, for the benchmark. As camouflaged instances are challenging to recognize due to their similarity compared to the surroundings, we guide our models to obtain camouflaged features that highly distinguish the instances from the background. In this work, we propose FS-CDIS, a framework to efficiently detect and segment camouflaged instances via two loss functions contributing to the training process. Firstly, the instance triplet loss with the characteristic of differentiating the anchor, which is the mean of all camouflaged foreground points, and the background points are employed to work at the instance level. Secondly, to consolidate the generalization at the class level, we present instance memory storage with the scope of storing camouflaged features of the same category, allowing the model to capture further class-level information during the learning process. The extensive experiments demonstrated that our proposed method achieves state-of-the-art performance on the newly collected dataset. Code is available at https://github.com/danhntd/FS-CDIS.
• Abstract（参考訳）: カモフラージュされた物体の検出とセグメンテーションは、コンピュータビジョンにおける新しい挑戦的な研究トピックである。 自然の場面では、カモフラージュされた動物のような隠された物体のデータが不足しているという深刻な問題がある。 本稿では,キャモフラージュされた物体の検出とセグメンテーションにおける少数ショット学習の問題に対処する。 この目的のために、ベンチマークのためにまず新しいデータセットであるCAMO-FSを収集します。 カモフラージュされたインスタンスは、環境との類似性から認識することが難しいため、背景からインスタンスを高度に区別するカモフラージュされた特徴を得るようモデルに誘導する。 本研究では,この学習プロセスに寄与する2つの損失関数を介し,カモフラージュされたインスタンスを効率的に検出・分割するフレームワークFS-CDISを提案する。 まず、全てのカモフラージュされた前景点の平均であるアンカーを区別する特性を持つインスタンス三重項損失と、その背景点を用いてインスタンスレベルで作業する。 第2に、クラスレベルでの一般化を統合するために、同じカテゴリのキャモフラージュされた特徴を格納する範囲でインスタンスメモリストレージを提示し、学習プロセス中にさらにクラスレベルの情報を取得できるようにする。 提案手法は,新たに収集したデータセットの最先端性能を実現することを実証した。 コードはhttps://github.com/danhntd/FS-CDISで入手できる。

関連論文リスト

• Camouflaged Image Synthesis Is All You Need to Boost Camouflaged Detection [65.8867003376637]
  本研究では,カモフラージュデータの合成フレームワークを提案する。 提案手法では,既存の物体検出モデルのトレーニングに使用可能な,現実的なカモフラージュ画像の生成に生成モデルを用いる。 我々のフレームワークは3つのデータセット上で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-08-13T06:55:05Z)
• CamoFormer: Masked Separable Attention for Camouflaged Object Detection [94.2870722866853]
  カモフラージュされた物体検出のための単純なマスク付き分離型注意(MSA)を提案する。 まず,マルチヘッド・セルフアテンションを3つの部分に分割し,異なるマスキング戦略を用いて,背景からカモフラージュした物体を識別する役割を担っている。 提案手法では,MSAを用いた単純なトップダウンデコーダを用いて,高精度なセグメンテーション結果を得るために,高分解能なセグメンテーション表現を段階的にキャプチャする。
  論文  参考訳（メタデータ） (2022-12-10T10:03:27Z)
• Towards Deeper Understanding of Camouflaged Object Detection [64.81987999832032]
  バイナリセグメンテーション設定は、カモフラージュの概念を完全に理解できない。 そこで本研究では,カモフラージュされたオブジェクトの局所化,セグメント化,ランク付けを同時に行う3段階学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-23T14:26:18Z)
• Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
  Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。 本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:46:41Z)
• Anabranch Network for Camouflaged Object Segmentation [23.956327305907585]
  本稿では,キャモフラージュ対象分割問題,すなわち所定の画像に対するキャモフラーグ対象分割問題について検討する。 この問題に対処するため,我々は,ベンチマーク目的のカモフラージュされたオブジェクトの画像データセットを新たに提供した。 さらに,分類タスクとセグメント化タスクの両方を活用する,Anabranch Networkと呼ばれる汎用的なエンドツーエンドネットワークを提案する。
  論文  参考訳（メタデータ） (2021-05-20T01:52:44Z)
• The Pursuit of Knowledge: Discovering and Localizing Novel Categories using Dual Memory [85.01439251151203]
  我々は,未ラベルの大規模データセットにおける新しいオブジェクトの発見と位置決定の課題であるオブジェクトカテゴリ発見に取り組む。 2つのメモリモジュールを用いて,オブジェクトカテゴリに関する事前知識を用いて新たなカテゴリを探索する手法を提案する。 検出器の性能をCOCOのミニバルデータセットで示し、そのインザワイルド機能を実証します。
  論文  参考訳（メタデータ） (2021-05-04T17:55:59Z)
• Simultaneously Localize, Segment and Rank the Camouflaged Objects [55.46101599577343]
  camouflaged object detectionは、周囲に隠されているcamouflaged objectsを分割することを目的としている。 私たちは、カモフラージュされた物体の目立ちを特定の背景に明確にモデル化することは、カモフラージュと動物の進化をよりよく理解するのに役立つと主張しています。 迷彩オブジェクトを同時にローカライズ、セグメント化、ランク付けする最初のランキングベースのCODネットワーク(Rank-Net)を紹介します。
  論文  参考訳（メタデータ） (2021-03-06T02:53:36Z)

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。