論文の概要: Faster OreFSDet : A Lightweight and Effective Few-shot Object Detector
for Ore Images
- arxiv url: http://arxiv.org/abs/2305.01183v1
- Date: Tue, 2 May 2023 03:30:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 15:22:59.859592
- Title: Faster OreFSDet : A Lightweight and Effective Few-shot Object Detector
for Ore Images
- Title(参考訳): 高速OreFSDet : Ore画像のための軽量で効果的なFew-shotオブジェクト検出器
- Authors: Yang Zhang, Le Cheng, Yuting Peng, Chengming Xu, Yanwei Fu, Bo Wu,
Guodong Sun
- Abstract要約: 一般的な物体検出法は、ラベル付きデータが少ない場合、重度の過剰適合に悩まされることが多い。
汎用物体検出と競合する性能を実現するために,軽量で効果的な小ショット検出器を提案する。
提案手法は,最小のモデルサイズ19MBを実現し,50FPS検出速度で競合する。
- 参考スコア(独自算出の注目度): 36.26089993900946
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: For the ore particle size detection, obtaining a sizable amount of
high-quality ore labeled data is time-consuming and expensive. General object
detection methods often suffer from severe over-fitting with scarce labeled
data. Despite their ability to eliminate over-fitting, existing few-shot object
detectors encounter drawbacks such as slow detection speed and high memory
requirements, making them difficult to implement in a real-world deployment
scenario. To this end, we propose a lightweight and effective few-shot detector
to achieve competitive performance with general object detection with only a
few samples for ore images. First, the proposed support feature mining block
characterizes the importance of location information in support features. Next,
the relationship guidance block makes full use of support features to guide the
generation of accurate candidate proposals. Finally, the dual-scale semantic
aggregation module retrieves detailed features at different resolutions to
contribute with the prediction process. Experimental results show that our
method consistently exceeds the few-shot detectors with an excellent
performance gap on all metrics. Moreover, our method achieves the smallest
model size of 19MB as well as being competitive at 50 FPS detection speed
compared with general object detectors. The source code is available at
https://github.com/MVME-HBUT/Faster-OreFSDet.
- Abstract(参考訳): 鉱石粒径検出には、大量の高品質鉱石ラベル付きデータを得るのに時間がかかり、コストがかかる。
一般的な物体検出法は、ラベル付きデータが少ない場合、過度に適合する。
過剰フィッティングをなくす能力にもかかわらず、既存の少数ショットオブジェクト検出器は、遅い検出速度や高いメモリ要求などの欠点に遭遇し、実際のデプロイシナリオでは実装が困難になる。
そこで本稿では,鉱石画像のサンプルを数個しか持たない一般物体検出と競合する性能を実現するため,軽量かつ効果的な数発検出器を提案する。
まず,提案するサポート機能マイニングブロックは,サポート機能における位置情報の重要性を特徴付ける。
次に、関係ガイダンスブロックは、正確な候補提案の生成を導くために、サポート機能をフル活用する。
最後に、デュアルスケールセマンティクスアグリゲーションモジュールは、異なる解像度で詳細な特徴を検索し、予測プロセスに寄与する。
実験結果から,全測定値に優れた性能ギャップを持つ数発検出器を一貫して超えていることがわかった。
さらに,本手法は,最大モデルサイズ19MBを実現し,一般物体検出器と比較して50FPS検出速度で競合する。
ソースコードはhttps://github.com/MVME-HBUT/Faster-OreFSDetで入手できる。
関連論文リスト
- Practical Video Object Detection via Feature Selection and Aggregation [18.15061460125668]
ビデオオブジェクト検出(VOD)は、オブジェクトの外観における高いフレーム間変動と、いくつかのフレームにおける多様な劣化を懸念する必要がある。
現代のアグリゲーション法のほとんどは、高い計算コストに苦しむ2段階検出器用に調整されている。
この研究は、特徴選択と集約の非常に単純だが強力な戦略を考案し、限界計算コストでかなりの精度を得る。
論文 参考訳(メタデータ) (2024-07-29T02:12:11Z) - ESOD: Efficient Small Object Detection on High-Resolution Images [36.80623357577051]
小さなオブジェクトは通常、わずかに分散され、局所的にクラスタ化される。
画像の非対象背景領域において、大量の特徴抽出計算を無駄にする。
本稿では,検出器のバックボーンを再利用して,特徴レベルのオブジェクト探索とパッチスライシングを行う方法を提案する。
論文 参考訳(メタデータ) (2024-07-23T12:21:23Z) - Efficient Meta-Learning Enabled Lightweight Multiscale Few-Shot Object Detection in Remote Sensing Images [15.12889076965307]
YOLOv7ワンステージ検出器は、新しいメタラーニングトレーニングフレームワークが組み込まれている。
この変換により、検出器はFSODのタスクに十分対応できると同時に、その固有の軽量化の利点を活かすことができる。
提案検出器の有効性を検証するため, 現状の検出器と性能比較を行った。
論文 参考訳(メタデータ) (2024-04-29T04:56:52Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳(メタデータ) (2023-09-22T06:19:11Z) - ASAG: Building Strong One-Decoder-Layer Sparse Detectors via Adaptive
Sparse Anchor Generation [50.01244854344167]
適応スパースアンカージェネレータ(ASAG)の提案により、スパース検出器と密度検出器のパフォーマンスギャップを橋渡しする。
ASAGは、グリッドではなくパッチの動的なアンカーを予測することで、機能競合の問題を軽減する。
提案手法は高密度な手法より優れ,高速かつ高精度なトレードオフを実現する。
論文 参考訳(メタデータ) (2023-08-18T02:06:49Z) - ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。
我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。
ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2022-05-14T21:16:21Z) - Plug-and-Play Few-shot Object Detection with Meta Strategy and Explicit
Localization Inference [78.41932738265345]
本稿では, 微調整を行なわずに新しいカテゴリーの物体を正確に検出できるプラグ検出器を提案する。
局所化プロセスに2つの明示的な推論を導入し、アノテーション付きデータへの依存を減らす。
これは、様々な評価プロトコルの下で、効率、精度、リコールの両方において大きなリードを示している。
論文 参考訳(メタデータ) (2021-10-26T03:09:57Z) - Few-shot Object Detection with Feature Attention Highlight Module in
Remote Sensing Images [10.92844145381214]
本報告では, ごく少数の例に基づいて, 新規な物体を検出するために設計された, 数発の物体検出器を提案する。
我々のモデルは、特徴抽出器、特徴強調強調モジュール、および2段階検出バックエンドで構成されている。
提案手法の有効性を示す実験を行った。
論文 参考訳(メタデータ) (2020-09-03T12:38:49Z) - Joint Detection and Tracking in Videos with Identification Features [36.55599286568541]
本稿では,ビデオ検出,追跡,再識別機能の最初の共同最適化を提案する。
提案手法はMOTの最先端に到達し,オンライントラッカーにおけるUA-DETRAC'18追跡課題のうち,第1位,第3位にランクインした。
論文 参考訳(メタデータ) (2020-05-21T21:06:40Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳(メタデータ) (2020-02-18T08:04:58Z)
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。