論文の概要: Unsupervised Recognition of Unknown Objects for Open-World Object Detection

• arxiv url: http://arxiv.org/abs/2308.16527v1
• Date: Thu, 31 Aug 2023 08:17:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 15:22:19.920389
• Title: Unsupervised Recognition of Unknown Objects for Open-World Object Detection
• Title（参考訳）: オープンワールド物体検出のための未知物体の教師なし認識
• Authors: Ruohuan Fang, Guansong Pang, Lei Zhou, Xiao Bai, Jin Zheng
• Abstract要約: Open-World Object Detection (OWOD) はオブジェクト検出問題を現実的でダイナミックなシナリオに拡張する。 現在のOWODモデル(OREやOW-DETRなど)は、高い客観性スコアを持つ擬似ラベル領域に注目する。 本稿では,未知の物体を認識するために,教師なしの識別モデルを学ぶ新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 28.787586991713535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-World Object Detection (OWOD) extends object detection problem to a realistic and dynamic scenario, where a detection model is required to be capable of detecting both known and unknown objects and incrementally learning newly introduced knowledge. Current OWOD models, such as ORE and OW-DETR, focus on pseudo-labeling regions with high objectness scores as unknowns, whose performance relies heavily on the supervision of known objects. While they can detect the unknowns that exhibit similar features to the known objects, they suffer from a severe label bias problem that they tend to detect all regions (including unknown object regions) that are dissimilar to the known objects as part of the background. To eliminate the label bias, this paper proposes a novel approach that learns an unsupervised discriminative model to recognize true unknown objects from raw pseudo labels generated by unsupervised region proposal methods. The resulting model can be further refined by a classification-free self-training method which iteratively extends pseudo unknown objects to the unlabeled regions. Experimental results show that our method 1) significantly outperforms the prior SOTA in detecting unknown objects while maintaining competitive performance of detecting known object classes on the MS COCO dataset, and 2) achieves better generalization ability on the LVIS and Objects365 datasets.
• Abstract（参考訳）: オープンワールドオブジェクト検出(owod)は、オブジェクト検出問題を現実的でダイナミックなシナリオに拡張し、既知のオブジェクトと未知のオブジェクトの両方を検出し、新たに導入された知識を段階的に学習する検出モデルが必要となる。 現在のOWODモデル、例えばOREやOW-DETRは、既知のオブジェクトの監督に大きく依存する未知の、高いオブジェクト性スコアを持つ擬似ラベル領域に焦点を当てている。 既知のオブジェクトに類似した特徴を示す未知の領域を検出できるが、既知のオブジェクトと異なるすべての領域(未知のオブジェクト領域を含む)をバックグラウンドの一部として検出する傾向があるという深刻なラベルバイアス問題に悩まされる。 ラベルバイアスを解消するために,非教師なし識別モデルを用いて,教師なし領域提案法によって生成された生の擬似ラベルから真の未知物体を識別する手法を提案する。 結果として得られたモデルは、擬似未知のオブジェクトをラベルなし領域に反復的に拡張する分類なし自己学習法によってさらに洗練することができる。 実験の結果, この手法は 1)MSCOCOデータセット上での既知のオブジェクトクラスの検出の競争性能を維持しつつ、未知のオブジェクトの検出において、以前のSOTAよりも大幅に向上する。 2) LVISとObjects365データセットのより優れた一般化能力を実現する。

関連論文リスト

• Towards Open-World Object-based Anomaly Detection via Self-Supervised Outlier Synthesis [15.748043194987075]
  この研究は、オープンワールドオブジェクト検出器とOoD検出器を仮想外周で活用することでギャップを埋めることを目的としている。 提案手法では,オブジェクト検出アーキテクチャ全体を拡張して,クラスラベルに依存することなく,異常に認識された特徴表現を学習する。 提案手法は,オブジェクトレベルの異常検出における最先端性能を確立し,自然画像の平均リコールスコアを5.4%以上向上させる。
  論文  参考訳（メタデータ） (2024-07-22T16:16:38Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  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。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• CAT: LoCalization and IdentificAtion Cascade Detection Transformer for Open-World Object Detection [17.766859354014663]
  オープンワールドオブジェクト検出には、既知のオブジェクトと未知のオブジェクトの両方を検出するために、既知のオブジェクトのデータからトレーニングされたモデルが必要である。 CAT: LoCalization and IdentificAtion Cascade Detection Transformerを提案する。 我々のモデルはOWOD, インクリメンタルオブジェクト検出(IOD), オープンセット検出といったタスクにおけるすべての指標において, 最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-05T09:11:16Z)
• Open World DETR: Transformer based Open World Object Detection [60.64535309016623]
  そこで我々は,Deformable DETRに基づくオープンワールドオブジェクト検出のための2段階学習手法Open World DETRを提案する。 モデルのクラス固有のコンポーネントを多視点の自己ラベル戦略と一貫性制約で微調整する。 提案手法は、他の最先端のオープンワールドオブジェクト検出方法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-12-06T13:39:30Z)
• Detecting the unknown in Object Detection [20.84221126313118]
  我々は、アノテーションを必要とせずに未知のオブジェクトを予測できるUNKADと呼ばれる新しいトレーニング戦略を提案する。 UNKADはまず未知のオブジェクトを識別し、擬似ラベルを使用して未知のクラスをトレーニングする。 UNKADは未知の物体を直接検出できるが、従来の未知の検出技術と組み合わせることで、コストなしで性能を向上できることを示す。
  論文  参考訳（メタデータ） (2022-08-24T16:27:38Z)
• More Practical Scenario of Open-set Object Detection: Open at Category Level and Closed at Super-category Level [23.98839374194848]
  オープンセットオブジェクト検出(OSOD)は近年注目されている。 我々はまず, 未知の物体の無限多様性を考慮した最近の研究で考慮されたOSODのシナリオが, 根本的な問題となっていることを指摘した。 この問題は未知のオブジェクト検出におけるメソッドの性能評価に困難をもたらす。
  論文  参考訳（メタデータ） (2022-07-20T09:28:51Z)
• OW-DETR: Open-world Detection Transformer [90.56239673123804]
  オープンワールドオブジェクト検出のための新しいエンドツーエンドトランスフォーマーベースのフレームワークOW-DETRを提案する。 OW-DETRは3つの専用コンポーネント、すなわち注目駆動の擬似ラベル、新規性分類、オブジェクトネススコアから構成される。 我々のモデルは、最近導入されたOWODアプローチであるOREよりも優れており、リコールの度合いは1.8%から3.3%である。
  論文  参考訳（メタデータ） (2021-12-02T18:58:30Z)
• Towards Open World Object Detection [68.79678648726416]
  ORE: Open World Object Detectorは、対照的なクラスタリングとエネルギーベースの未知の識別に基づいている。 未知のインスタンスの識別と特徴付けは、インクリメンタルなオブジェクト検出設定における混乱を減らすのに役立ちます。
  論文  参考訳（メタデータ） (2021-03-03T18:58:18Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)

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。