論文の概要: Weakly-supervised Contrastive Learning for Unsupervised Object Discovery

• arxiv url: http://arxiv.org/abs/2307.03376v1
• Date: Fri, 7 Jul 2023 04:03:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 13:27:17.671864
• Title: Weakly-supervised Contrastive Learning for Unsupervised Object Discovery
• Title（参考訳）: 教師なし物体発見のための弱教師付きコントラスト学習
• Authors: Yunqiu Lv, Jing Zhang, Nick Barnes, Yuchao Dai
• Abstract要約: ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
• 参考スコア（独自算出の注目度）: 52.696041556640516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised object discovery (UOD) refers to the task of discriminating the whole region of objects from the background within a scene without relying on labeled datasets, which benefits the task of bounding-box-level localization and pixel-level segmentation. This task is promising due to its ability to discover objects in a generic manner. We roughly categorise existing techniques into two main directions, namely the generative solutions based on image resynthesis, and the clustering methods based on self-supervised models. We have observed that the former heavily relies on the quality of image reconstruction, while the latter shows limitations in effectively modeling semantic correlations. To directly target at object discovery, we focus on the latter approach and propose a novel solution by incorporating weakly-supervised contrastive learning (WCL) to enhance semantic information exploration. We design a semantic-guided self-supervised learning model to extract high-level semantic features from images, which is achieved by fine-tuning the feature encoder of a self-supervised model, namely DINO, via WCL. Subsequently, we introduce Principal Component Analysis (PCA) to localize object regions. The principal projection direction, corresponding to the maximal eigenvalue, serves as an indicator of the object region(s). Extensive experiments on benchmark unsupervised object discovery datasets demonstrate the effectiveness of our proposed solution. The source code and experimental results are publicly available via our project page at https://github.com/npucvr/WSCUOD.git.
• Abstract（参考訳）: Unsupervised Object Discovery (UOD)は、ラベル付きデータセットに頼ることなく、背景からオブジェクトの領域全体を識別するタスクを指し、バウンディングボックスレベルのローカライゼーションとピクセルレベルのセグメンテーションのタスクの恩恵を受ける。 このタスクは、ジェネリックな方法でオブジェクトを発見できるため、有望である。 我々は,既存の手法を,画像再生に基づく生成解と自己教師付きモデルに基づくクラスタリング法という,2つの主な方向に大別した。 前者は画像再構成の質に大きく依存しており、後者は意味相関を効果的にモデル化する上での限界を示している。 オブジェクト発見を直接ターゲットとして,後者のアプローチに着目し,wcl(weakly supervised contrastive learning)を取り入れ,意味的情報探索を強化する新しいソリューションを提案する。 WCLによる自己教師付きモデルDINOの特徴エンコーダの微調整により,画像から高レベルの意味的特徴を抽出する意味誘導型自己教師型学習モデルの設計を行う。 その後、オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。 最大固有値に対応する主射影方向は、対象領域(s)の指標として機能する。 非教師対象発見データセットのベンチマーク実験により,提案手法の有効性が示された。 ソースコードと実験結果は、https://github.com/npucvr/wscuod.gitのプロジェクトページで公開されています。

関連論文リスト

• Zero-Shot Object-Centric Representation Learning [72.43369950684057]
  ゼロショット一般化のレンズによる現在の対象中心法について検討する。 8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。 多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T10:37:07Z)
• PEEKABOO: Hiding parts of an image for unsupervised object localization [7.161489957025654]
  教師なしの方法でオブジェクトをローカライズすることは、重要な視覚情報がないために大きな課題となる。 教師なしオブジェクトローカライゼーションのための単段階学習フレームワークPEEKABOOを提案する。 キーとなるアイデアは、画像の一部を選択的に隠し、残りの画像情報を活用して、明示的な監督なしにオブジェクトの位置を推測することである。
  論文  参考訳（メタデータ） (2024-07-24T20:35:20Z)
• Weakly Supervised Open-Vocabulary Object Detection [31.605276665964787]
  本稿では、従来のWSODを拡張するために、弱教師付きオープン語彙オブジェクト検出フレームワーク、すなわちWSOVODを提案する。 これを実現するために、データセットレベルの特徴適応、画像レベルの有意なオブジェクトローカライゼーション、地域レベルの視覚言語アライメントを含む3つの重要な戦略を検討する。
  論文  参考訳（メタデータ） (2023-12-19T18:59:53Z)
• Lidar Panoptic Segmentation and Tracking without Bells and Whistles [48.078270195629415]
  ライダーセグメンテーションと追跡のための検出中心ネットワークを提案する。 私たちのネットワークのコアコンポーネントの1つは、オブジェクトインスタンス検出ブランチです。 提案手法を複数の3D/4D LPSベンチマークで評価し,我々のモデルがオープンソースモデル間で新たな最先端性を確立することを確認した。
  論文  参考訳（メタデータ） (2023-10-19T04:44:43Z)
• Robust Region Feature Synthesizer for Zero-Shot Object Detection [87.79902339984142]
  我々は,クラス内セマンティック・ディバージングコンポーネントとクラス間構造保存コンポーネントを含む,新しいゼロショットオブジェクト検出フレームワークを構築した。 リモートセンシング画像においてゼロショット物体検出を行う最初の研究である。
  論文  参考訳（メタデータ） (2022-01-01T03:09:15Z)
• Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
  本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。 この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
  論文  参考訳（メタデータ） (2021-08-15T14:36:02Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)
• Interpretable and Accurate Fine-grained Recognition via Region Grouping [14.28113520947247]
  微粒な視覚認識のための解釈可能な深層モデルを提案する。 私たちの手法の中核は、ディープニューラルネットワーク内での領域ベースの部分発見と帰属の統合です。 本研究は,分類タスクの最先端手法と比較した。
  論文  参考訳（メタデータ） (2020-05-21T01:18:26Z)
• Pairwise Similarity Knowledge Transfer for Weakly Supervised Object Localization [53.99850033746663]
  弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。 本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。 COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-03-18T17:53:33Z)

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。