論文の概要: TIDE: Test Time Few Shot Object Detection

• arxiv url: http://arxiv.org/abs/2311.18358v1
• Date: Thu, 30 Nov 2023 09:00:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 17:16:35.163189
• Title: TIDE: Test Time Few Shot Object Detection
• Title（参考訳）: tide: テスト時間 少数のショットオブジェクト検出
• Authors: Weikai Li, Hongfeng Wei, Yanlai Wu, Jie Yang, Yudi Ruan, Yuan Li and Ying Tang
• Abstract要約: Few-shot Object Detection (FSOD) は、対象ドメイン内の新しいカテゴリの限られたオブジェクトインスタンスから意味的知識を抽出することを目的としている。 FSODの最近の進歩は、メタ学習やデータ拡張を通じて、いくつかのオブジェクトに基づいてベースモデルを微調整することに焦点を当てている。 我々は、新しいFSODタスクを定式化し、TIDE(Test TIme Few Shot Detection)と呼ぶ。
• 参考スコア（独自算出の注目度）: 11.036762620105383
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Few-shot object detection (FSOD) aims to extract semantic knowledge from limited object instances of novel categories within a target domain. Recent advances in FSOD focus on fine-tuning the base model based on a few objects via meta-learning or data augmentation. Despite their success, the majority of them are grounded with parametric readjustment to generalize on novel objects, which face considerable challenges in Industry 5.0, such as (i) a certain amount of fine-tuning time is required, and (ii) the parameters of the constructed model being unavailable due to the privilege protection, making the fine-tuning fail. Such constraints naturally limit its application in scenarios with real-time configuration requirements or within black-box settings. To tackle the challenges mentioned above, we formalize a novel FSOD task, referred to as Test TIme Few Shot DEtection (TIDE), where the model is un-tuned in the configuration procedure. To that end, we introduce an asymmetric architecture for learning a support-instance-guided dynamic category classifier. Further, a cross-attention module and a multi-scale resizer are provided to enhance the model performance. Experimental results on multiple few-shot object detection platforms reveal that the proposed TIDE significantly outperforms existing contemporary methods. The implementation codes are available at https://github.com/deku-0621/TIDE
• Abstract（参考訳）: Few-shot Object Detection (FSOD) は、対象ドメイン内の新しいカテゴリの限られたオブジェクトインスタンスから意味的知識を抽出することを目的としている。 FSODの最近の進歩は、メタ学習やデータ拡張によるいくつかのオブジェクトに基づいたベースモデルの微調整に焦点を当てている。 彼らの成功にもかかわらず、その大半は、新しいオブジェクトを一般化するためのパラメトリックな修正を基礎にしており、産業5.0のような大きな課題に直面している。 (i)一定量の微調整時間が必要であり、 2) 特権保護のため構築されたモデルのパラメータが利用できないため、微調整が失敗する。 このような制約は、リアルタイムな設定要件やブラックボックス設定のシナリオでアプリケーションを制限する。 上記の課題に取り組むために,テストタイム・マイズ・ショット検出(tide)と呼ばれる新しいfsodタスクを定式化し,その構成手順でモデルを調整しない。 そこで我々は,サポートインスタンス誘導動的カテゴリー分類器を学習するための非対称アーキテクチャを提案する。 さらに、モデル性能を向上させるために、クロスアテンションモジュールとマルチスケールリシライザを設ける。 複数の複数ショットオブジェクト検出プラットフォームの実験結果から,提案したTIDEが既存手法よりも優れていたことが判明した。 実装コードはhttps://github.com/deku-0621/tideで利用可能である。

関連論文リスト

• Is Multiple Object Tracking a Matter of Specialization? [33.59920084936913]
  不均一なシナリオでエンドツーエンドのトランスフォーマーベースのトラッカーをトレーニングすることは大きな課題となる。 紹介する。 シナリオ固有の追跡アーキテクチャ(PASTA)は、組み合わせた新しいフレームワークである。 効率的な微細チューニング(PEFT)とモジュール深層学習
  論文  参考訳（メタデータ） (2024-11-01T13:03:58Z)
• Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector [72.05791402494727]
  本稿では,CD-FSODを用いたクロスドメイン小ショット検出法について検討する。 最小限のラベル付き例で、新しいドメインのための正確なオブジェクト検出器を開発することを目的としている。
  論文  参考訳（メタデータ） (2024-02-05T15:25:32Z)
• FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
  FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。 我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
  論文  参考訳（メタデータ） (2023-12-13T18:28:09Z)
• Open World Object Detection in the Era of Foundation Models [53.683963161370585]
  5つの実世界のアプリケーション駆動データセットを含む新しいベンチマークを導入する。 本稿では,オープンワールドのための新しいオブジェクト検出モデル(FOMO)を提案する。
  論文  参考訳（メタデータ） (2023-12-10T03:56:06Z)
• MFOS: Model-Free & One-Shot Object Pose Estimation [10.009454818723025]
  最小限の入力が与えられた場合、トレーニング中に見たことのないオブジェクトのポーズを1つのフォワードで推定できる新しいアプローチを導入する。 我々は、LINEMODベンチマークで広範な実験を行い、最先端のワンショット性能を報告した。
  論文  参考訳（メタデータ） (2023-10-03T09:12:07Z)
• Scaling Novel Object Detection with Weakly Supervised Detection Transformers [21.219817483091166]
  Weakly Supervised Detection Transformerを提案する。これは大規模な事前学習データセットからWSODファインタニングへの効率的な知識伝達を可能にする。 提案手法は, 大規模オブジェクト検出データセットにおいて, 従来の最先端モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-11T21:45:54Z)
• Incremental-DETR: Incremental Few-Shot Object Detection via Self-Supervised Learning [60.64535309016623]
  本稿では,DeTRオブジェクト検出器上での微調整および自己教師型学習によるインクリメンタル・デクリメンタル・デクリメンタル・デクリメンタル・オブジェクト検出を提案する。 まず,DeTRのクラス固有のコンポーネントを自己監督で微調整する。 さらに,DeTRのクラス固有のコンポーネントに知識蒸留を施した数発の微調整戦略を導入し,破滅的な忘れを伴わずに新しいクラスを検出するネットワークを奨励する。
  論文  参考訳（メタデータ） (2022-05-09T05:08:08Z)
• 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)
• Incremental Few-Shot Object Detection [96.02543873402813]
  OpeN-ended Centre nEtは、いくつかの例でクラスオブジェクトの検出を漸進的に学習する検出器である。 ONCEはインクリメンタルな学習パラダイムを十分に尊重しており、新しいクラス登録では、数発のトレーニングサンプルを1回だけフォワードパスするだけでよい。
  論文  参考訳（メタデータ） (2020-03-10T12:56:59Z)

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。