論文の概要: Wasserstein Distance-based Expansion of Low-Density Latent Regions for Unknown Class Detection

• arxiv url: http://arxiv.org/abs/2401.05594v2
• Date: Fri, 12 Jan 2024 04:14:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 12:13:28.776079
• Title: Wasserstein Distance-based Expansion of Low-Density Latent Regions for Unknown Class Detection
• Title（参考訳）: 未知クラス検出のための低密度潜在領域のwasserstein距離に基づく拡張
• Authors: Prakash Mallick, Feras Dayoub, Jamie Sherrah
• Abstract要約: 最先端の検出器は、未知の物体を高い信頼性で既知のカテゴリーとして誤って分類する。 本稿では,潜在空間における高密度領域と低密度領域を区別することにより,未知の物体を効果的に識別する手法を提案する。
• 参考スコア（独自算出の注目度）: 5.363664265121231
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper addresses the significant challenge in open-set object detection (OSOD): the tendency of state-of-the-art detectors to erroneously classify unknown objects as known categories with high confidence. We present a novel approach that effectively identifies unknown objects by distinguishing between high and low-density regions in latent space. Our method builds upon the Open-Det (OD) framework, introducing two new elements to the loss function. These elements enhance the known embedding space's clustering and expand the unknown space's low-density regions. The first addition is the Class Wasserstein Anchor (CWA), a new function that refines the classification boundaries. The second is a spectral normalisation step, improving the robustness of the model. Together, these augmentations to the existing Contrastive Feature Learner (CFL) and Unknown Probability Learner (UPL) loss functions significantly improve OSOD performance. Our proposed OpenDet-CWA (OD-CWA) method demonstrates: a) a reduction in open-set errors by approximately 17%-22%, b) an enhancement in novelty detection capability by 1.5%-16%, and c) a decrease in the wilderness index by 2%-20% across various open-set scenarios. These results represent a substantial advancement in the field, showcasing the potential of our approach in managing the complexities of open-set object detection.
• Abstract（参考訳）: 本稿では, 未知のオブジェクトを未知のカテゴリと誤って分類し, 高い信頼性で分類する手法として, オープンセットオブジェクト検出(OSOD)の重大な課題について論じる。 潜在空間における高密度領域と低密度領域を区別することにより,未知の物体を効果的に識別する新しい手法を提案する。 提案手法はOpen-Det (OD) フレームワーク上に構築され,損失関数に2つの新しい要素が導入された。 これらの要素は既知の埋め込み空間のクラスタリングを強化し、未知の空間の低密度領域を広げる。 最初の追加はクラスWasserstein Anchor (CWA) であり、分類境界を洗練させる新しい関数である。 2つ目はスペクトル正規化ステップであり、モデルのロバスト性を改善する。 既存のContrastive Feature Learner (CFL) と Unknown Probability Learner (UPL) の損失関数への拡張により、OSODの性能は大幅に向上した。 提案手法はopendet-cwa (od-cwa) である。 a) オープンセットエラーの約17%〜22%の低減。 b) 新規検出能力の1.5%-16%向上、及び c) 様々なオープンセットシナリオにおいて、荒野指数の2%～20%の低下。 これらの結果は、オープンセットオブジェクト検出の複雑さ管理における我々のアプローチの可能性を示している。

関連論文リスト

• OSAD: Open-Set Aircraft Detection in SAR Images [1.1060425537315088]
  オープンセット検出は、クローズドセットでトレーニングされた検出器によって、すべての既知のオブジェクトを検出し、オープンセット環境で未知のオブジェクトを識別することを目的としている。 これらの課題に対処するため、SAR画像のための新しいオープンセット航空機検出器、Open-Set Aircraft Detection (OSAD) が提案されている。 グローバルコンテキストモデリング(GCM)、位置品質駆動型擬似ラベル生成(LPG)、プロトタイプコントラスト学習(PCL)の3つの専用コンポーネントを備えている。
  論文  参考訳（メタデータ） (2024-11-03T15:06:14Z)
• Few-Shot Open-Set Object Detection via Conditional Evidence Decoupling [8.78242987271299]
  FOOD(Open-set Object Detection)は、現実世界のシナリオにおいて大きな課題となる。 それは、未知の物体を拒絶しながら、既知の物体を検出できる、希少な訓練サンプルの条件下でオープンセット検出器を訓練することを目的としている。 そこで我々は,未知の拒絶に対して条件付き証拠を分離した2段階のオープンセットオブジェクト検出フレームワークを,即時学習により構築する。
  論文  参考訳（メタデータ） (2024-06-26T15:48:24Z)
• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• USD: Unknown Sensitive Detector Empowered by Decoupled Objectness and Segment Anything Model [14.080744645704751]
  Open World Object Detection (OWOD) は、新しいコンピュータビジョンタスクである。 本稿では,この2つの境界の学習をデコーダ層に分割する,シンプルで効果的な学習戦略であるDecoupled Objectness Learning(DOL)を提案する。 また、擬似ラベルとソフトウェイト戦略を用いてノイズの負の影響を緩和する補助的スーパービジョンフレームワーク(ASF)も導入する。
  論文  参考訳（メタデータ） (2023-06-04T06:42:09Z)
• Expanding Low-Density Latent Regions for Open-Set Object Detection [32.29988419525467]
  潜在空間における高密度領域と低密度領域を分離することにより未知の物体を同定する。 低密度領域を拡張した新しいOpen-set Detector(OpenDet)を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:11:09Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。