論文の概要: Refined Response Distillation for Class-Incremental Player Detection

• arxiv url: http://arxiv.org/abs/2305.00620v1
• Date: Mon, 1 May 2023 01:49:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 14:19:45.663015
• Title: Refined Response Distillation for Class-Incremental Player Detection
• Title（参考訳）: クラスインクリメンタルプレーヤー検出のための精製応答蒸留
• Authors: Liang Bai, Hangjie Yuan, Tao Feng, Hong Song, Jian Yang
• Abstract要約: 既存の手法では、固定されたプレイヤーカテゴリーを仮定し、カテゴリーが進化し続ける現実世界のシナリオを不可避的に調節する。 インクリメンタルオブジェクト検出(IOD)の最近の研究に触発されて,プレイヤーのIODタスクに対する破滅的忘れを効果的に軽減するRefined Response Distillation (R2D)法を提案する。 NBA-IOD と Volleyball-IOD のデータセットをベンチマークとして提示し,選手の IOD タスクを体系的に検討する。
• 参考スコア（独自算出の注目度）: 29.764766170176905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting players from sports broadcast videos is essential for intelligent event analysis. However, existing methods assume fixed player categories, incapably accommodating the real-world scenarios where categories continue to evolve. Directly fine-tuning these methods on newly emerging categories also exist the catastrophic forgetting due to the non-stationary distribution. Inspired by recent research on incremental object detection (IOD), we propose a Refined Response Distillation (R^2D) method to effectively mitigate catastrophic forgetting for IOD tasks of the players. Firstly, we design a progressive coarse-to-fine distillation region dividing scheme, separating high-value and low-value regions from classification and regression responses for precise and fine-grained regional knowledge distillation. Subsequently, a tailored refined distillation strategy is developed on regions with varying significance to address the performance limitations posed by pronounced feature homogeneity in the IOD tasks of the players. Furthermore, we present the NBA-IOD and Volleyball-IOD datasets as the benchmark and investigate the IOD tasks of the players systematically. Extensive experiments conducted on benchmarks demonstrate that our method achieves state-of-the-art results.The code and datasets are available at https://github.com/beiyan1911/Players-IOD.
• Abstract（参考訳）: スポーツ放送映像からプレイヤーを検出することはインテリジェントなイベント分析に不可欠である。 しかし、既存の手法では固定されたプレイヤーのカテゴリを想定しており、カテゴリが進化し続ける現実のシナリオを満たしていない。 これらの手法を新しいカテゴリーに直接微調整することは、非定常分布による破滅的な忘れ物が存在する。 インクリメンタルオブジェクト検出(IOD)の最近の研究に触発されて,プレイヤーのIODタスクに対する破滅的忘れを効果的に軽減するRefined Response Distillation (R^2D)法を提案する。 まず,高値領域と低値領域を分類および回帰応答から分離し,精密かつきめ細かな地域知識蒸留を行うプログレッシブ粗粒蒸留領域分割方式を設計する。 その後、プレイヤーのIODタスクにおける特徴均質性によって引き起こされる性能限界に対処するために、様々な意味を持つ地域で、調整された精製蒸留戦略が展開される。 さらに,NBA-IOD と Volleyball-IOD のデータセットをベンチマークとして提示し,選手の IOD タスクを体系的に検討する。 ベンチマークで行った大規模な実験は,我々の手法が最先端の結果を達成できることを示し,コードとデータセットはhttps://github.com/beiyan1911/Players-IODで公開されている。

関連論文リスト

• Adversarial Score Distillation: When score distillation meets GAN [3.2794321281011394]
  既存のスコア蒸留をWGAN(Wasserstein Generative Adversarial Network)パラダイムで解読する。 WGANのパラダイムでは、既存のスコア蒸留は固定された準最適判別器を使うか、不完全判別器の最適化を行うかのいずれかである。 本稿では、最適な判別器を維持し、完全な最適化目標を用いて更新するASD(Adversarial Score Distillation)を提案する。
  論文  参考訳（メタデータ） (2023-12-01T17:20:47Z)
• Continual Detection Transformer for Incremental Object Detection [154.8345288298059]
  インクリメンタルオブジェクト検出(IOD)は、新しいオブジェクトカテゴリに対するアノテーションを備えた、フェーズ内のオブジェクト検出をトレーニングすることを目的としている。 他の段階的な設定として、IODは破滅的な忘れがちであり、知識蒸留(KD)や模範再生(ER)といった技術によってしばしば対処される。 本稿では,この文脈でKDとERを効果的に活用できるトランスフォーマーベースのIODを提案する。
  論文  参考訳（メタデータ） (2023-04-06T14:38:40Z)
• Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
  自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。 実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。 学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
  論文  参考訳（メタデータ） (2023-04-04T22:45:50Z)
• Efficient Feature Distillation for Zero-shot Annotation Object Detection [12.116491963892821]
  我々はZAD(Zero-shot Object Detection)と呼ばれる未知の物体を検知するための新しい設定を提案する。 トレーニング画像に新しいオブジェクトが存在するようにすることで、ゼロショットオブジェクト検出設定を拡張する。 また、検出器が使用する追加情報を新しいカテゴリ名に制限する。
  論文  参考訳（メタデータ） (2023-03-21T19:02:36Z)
• Zero-Shot Temporal Action Detection via Vision-Language Prompting [134.26292288193298]
  視覚言語プロンプト(STALE)を用いた新しいゼロショット時間行動検出モデルを提案する。 我々のモデルは最先端の代替品を著しく上回っている。 我々のモデルは、近年の強力な競合相手よりも監督的TADにおいて優れた結果をもたらす。
  論文  参考訳（メタデータ） (2022-07-17T13:59:46Z)
• Semi-Supervised Temporal Action Detection with Proposal-Free Masking [134.26292288193298]
  PropOsal-free Temporal mask (SPOT) に基づく新しい半教師付き時間行動検出モデルを提案する。 SPOTは最先端の代替品よりも優れている。
  論文  参考訳（メタデータ） (2022-07-14T16:58:47Z)
• Localization Distillation for Object Detection [134.12664548771534]
  物体検出のための従来の知識蒸留法(KD)は、分類ロジットを模倣するのではなく、主に特徴模倣に焦点を当てている。 本稿では,教師から生徒に効率よくローカライズ知識を伝達できる新しいローカライズ蒸留法を提案する。 われわれは,ロジット模倣が特徴模倣より優れることを示すとともに,ロージット模倣が何年もの間,ロージット模倣が不十分であった理由として,ロージット蒸留が欠如していることが重要である。
  論文  参考訳（メタデータ） (2022-04-12T17:14:34Z)
• Overcoming Catastrophic Forgetting in Incremental Object Detection via Elastic Response Distillation [4.846235640334886]
  従来の物体検出器は漸進的な学習には不適当である。 新しいデータのみを用いて、よく訓練された検出モデルを直接微調整することで、破滅的な忘れを招きます。 弾性応答蒸留(ERD)と呼ばれる応答型漸進蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-04-05T11:57:43Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)

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。