Fugu-MT 論文翻訳(概要): Semi-supervised Open-World Object Detection

論文の概要: Semi-supervised Open-World Object Detection

arxiv url: http://arxiv.org/abs/2402.16013v1
Date: Sun, 25 Feb 2024 07:12:51 GMT
ステータス: 処理完了
システム内更新日: 2024-02-27 15:54:59.820572
Title: Semi-supervised Open-World Object Detection
Title（参考訳）: 半教師付きオープンワールドオブジェクト検出
Authors: Sahal Shaji Mullappilly, Abhishek Singh Gehlot, Rao Muhammad Anwer, Fahad Shahbaz Khan, Hisham Cholakkal
Abstract要約: 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。
参考スコア（独自算出の注目度）: 74.95267079505145
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Conventional open-world object detection (OWOD) problem setting first distinguishes known and unknown classes and then later incrementally learns the unknown objects when introduced with labels in the subsequent tasks. However, the current OWOD formulation heavily relies on the external human oracle for knowledge input during the incremental learning stages. Such reliance on run-time makes this formulation less realistic in a real-world deployment. To address this, we introduce a more realistic formulation, named semi-supervised open-world detection (SS-OWOD), that reduces the annotation cost by casting the incremental learning stages of OWOD in a semi-supervised manner. We demonstrate that the performance of the state-of-the-art OWOD detector dramatically deteriorates in the proposed SS-OWOD setting. Therefore, we introduce a novel SS-OWOD detector, named SS-OWFormer, that utilizes a feature-alignment scheme to better align the object query representations between the original and augmented images to leverage the large unlabeled and few labeled data. We further introduce a pseudo-labeling scheme for unknown detection that exploits the inherent capability of decoder object queries to capture object-specific information. We demonstrate the effectiveness of our SS-OWOD problem setting and approach for remote sensing object detection, proposing carefully curated splits and baseline performance evaluations. Our experiments on 4 datasets including MS COCO, PASCAL, Objects365 and DOTA demonstrate the effectiveness of our approach. Our source code, models and splits are available here - https://github.com/sahalshajim/SS-OWFormer
Abstract（参考訳）: 従来のオープンワールドオブジェクト検出(OWOD)問題設定は、まず既知のクラスと未知のクラスを区別し、その後、後続のタスクでラベルを導入して未知のオブジェクトを漸進的に学習する。しかし、現在のOWODの定式化は、段階的な学習段階における知識入力に外部の人間の託宣に大きく依存している。このようなランタイムへの依存は、現実のデプロイメントにおいてこの定式化を現実的でないものにします。そこで本研究では,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手法を提案する。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。そこで我々は,SS-OWOD 検出器 SS-OWFormer を導入し,拡張画像とオリジナル画像間のオブジェクトクエリ表現の整合性を向上し,ラベルのない大容量データと少ないラベル付きデータを活用する。さらに、デコーダオブジェクトクエリの固有の機能を利用して、オブジェクト固有の情報をキャプチャする未知検出のための擬似ラベル方式を導入する。 SS-OWOD問題設定とリモートセンシングオブジェクト検出へのアプローチの有効性を実証し、慎重に計算した分割とベースライン性能評価を提案する。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った。ソースコード、モデル、スプリットはhttps://github.com/sahalshajim/ss-owformer.com/。

関連論文リスト

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)
PROB: Probabilistic Objectness for Open World Object Detection [15.574535196804042]
Open World Object Detection (OWOD)は、従来のオブジェクト検出(OD)ベンチマークと現実世界におけるオブジェクト検出のギャップを埋める新しいコンピュータビジョンタスクである。本稿では,対象物の確率分布推定と対象度推定を交互に行う,対象度推定のための新しい確率的フレームワークを提案する。 Probabilistic Objectness-based open-world detector, PROBは、私たちのフレームワークを従来のオブジェクト検出モデルに統合します。
論文参考訳（メタデータ） (2022-12-02T20:04:24Z)
Open-Set Semi-Supervised Object Detection [43.464223594166654]
近年,Semi-Supervised Object Detection (SSOD) の開発が進められている。我々は、より実用的で難しい問題、OSSOD(Open-Set Semi-Supervised Object Detection)を考える。提案フレームワークはセマンティック拡張問題に効果的に対処し,OSSODベンチマークにおける一貫した改善を示す。
論文参考訳（メタデータ） (2022-08-29T17:04:30Z)
SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
論文参考訳（メタデータ） (2022-03-29T08:49:51Z)
Revisiting Open World Object Detection [39.49589782316664]
以前のOWODの作業は、OWODの定義を建設的に進めることが分かりました。 OWODベンチマーク構築の指針となる5つの基本ベンチマーク原則を提案する。提案手法は,既存の指標と新しい指標の両方の観点から,他の最先端のオブジェクト検出手法よりも優れている。
論文参考訳（メタデータ） (2022-01-03T04:40:59Z)
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)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。