論文の概要: Learning Causal Features for Incremental Object Detection

• arxiv url: http://arxiv.org/abs/2403.00591v1
• Date: Fri, 1 Mar 2024 15:14:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 16:54:31.494865
• Title: Learning Causal Features for Incremental Object Detection
• Title（参考訳）: インクリメンタル物体検出のための因果的特徴の学習
• Authors: Zhenwei He, Lei Zhang
• Abstract要約: より多くのタスクに適応できる因果的特徴を学習し、段階的因果的対象検出(ICOD)モデルを提案する。 我々のICODは、検出器を訓練する際のデータバイアスの特徴ではなく、因果的特徴を学習するために導入されている。
• 参考スコア（独自算出の注目度）: 12.255977992587596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection limits its recognizable categories during the training phase, in which it can not cover all objects of interest for users. To satisfy the practical necessity, the incremental learning ability of the detector becomes a critical factor for real-world applications. Unfortunately, neural networks unavoidably meet catastrophic forgetting problem when it is implemented on a new task. To this end, many incremental object detection models preserve the knowledge of previous tasks by replaying samples or distillation from previous models. However, they ignore an important factor that the performance of the model mostly depends on its feature. These models try to rouse the memory of the neural network with previous samples but not to prevent forgetting. To this end, in this paper, we propose an incremental causal object detection (ICOD) model by learning causal features, which can adapt to more tasks. Traditional object detection models, unavoidably depend on the data-bias or data-specific features to get the detection results, which can not adapt to the new task. When the model meets the requirements of incremental learning, the data-bias information is not beneficial to the new task, and the incremental learning may eliminate these features and lead to forgetting. To this end, our ICOD is introduced to learn the causal features, rather than the data-bias features when training the detector. Thus, when the model is implemented to a new task, the causal features of the old task can aid the incremental learning process to alleviate the catastrophic forgetting problem. We conduct our model on several experiments, which shows a causal feature without data-bias can make the model adapt to new tasks better. \keywords{Object detection, incremental learning, causal feature.
• Abstract（参考訳）: オブジェクト検出は、ユーザが関心を持つすべてのオブジェクトをカバーできないトレーニングフェーズ中に、認識可能なカテゴリを制限する。 実用的ニーズを満たすために、検出器のインクリメンタルな学習能力は実世界のアプリケーションにとって重要な要素となる。 残念なことに、ニューラルネットワークは、新しいタスクに実装されたときに壊滅的な忘れる問題に耐えられない。 この目的のために、多くのインクリメンタルオブジェクト検出モデルは、以前のモデルからサンプルや蒸留を再生することで、以前のタスクの知識を保存する。 しかし、彼らはモデルの性能が主にその特徴に依存する重要な要素を無視します。 これらのモデルは、ニューラルネットワークのメモリを以前のサンプルでロースしようとするが、忘れないようにする。 そこで本稿では,より多くのタスクに適応可能な因果特徴を学習することで,漸進的因果オブジェクト検出(icod)モデルを提案する。 従来のオブジェクト検出モデルは、検出結果を得るためにデータバイアスやデータ固有の機能に依存するため、新しいタスクに適応できない。 モデルがインクリメンタル学習の要件を満たす場合、データバイアス情報は新しいタスクにとって有益ではなく、インクリメンタル学習はこれらの機能を取り除き、忘れてしまう可能性がある。 この目的のために、ICODは、検出器を訓練する際のデータバイアスの特徴よりも、因果的特徴を学習するために導入された。 したがって、モデルが新しいタスクに実装されると、古いタスクの因果的特徴は、破滅的な忘れる問題を緩和するインクリメンタルな学習プロセスを支援することができる。 我々は,データバイアスのない因果的特徴が,モデルが新たなタスクに適応できることを示すために,いくつかの実験を行った。 キーワード{オブジェクト検出、インクリメンタル学習、因果機能。

関連論文リスト

• Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
  大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。 本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
  論文  参考訳（メタデータ） (2023-11-29T05:33:28Z)
• Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
  学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。 能動学習問題の対称性と独立性を利用した新しい分類法を提案する。 私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
  論文  参考訳（メタデータ） (2023-09-11T14:16:37Z)
• Frugal Reinforcement-based Active Learning [12.18340575383456]
  本稿では,ラベル効率向上のための新しい能動的学習手法を提案する。 提案手法は反復的であり,多様性,表現性,不確実性の基準を混合した制約対象関数の最小化を目的としている。 また、強化学習に基づく新たな重み付け機構を導入し、各トレーニングイテレーションでこれらの基準を適応的にバランスさせる。
  論文  参考訳（メタデータ） (2022-12-09T14:17:45Z)
• What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
  本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。 本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
  論文  参考訳（メタデータ） (2022-02-12T06:10:15Z)
• Machine Unlearning of Features and Labels [72.81914952849334]
  機械学習モデルにおけるアンラーニングとラベルのファーストシナリオを提案する。 提案手法は,影響関数の概念に基づいて,モデルパラメータのクローズドフォーム更新によるアンラーニングを実現する。
  論文  参考訳（メタデータ） (2021-08-26T04:42:24Z)
• Multi-View Correlation Distillation for Incremental Object Detection [12.536640582318949]
  我々は,新しいtextbfMulti-textbfView textbfCorrelation textbfDistillation (MVCD) を用いたインクリメンタルオブジェクト検出法を提案する。
  論文  参考訳（メタデータ） (2021-07-05T04:36:33Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Two-Level Residual Distillation based Triple Network for Incremental Object Detection [21.725878050355824]
  本稿では,より高速なR-CNNに基づく新しいインクリメンタルオブジェクト検出手法を提案する。 従来の学習知識を忘れることなく、新しいクラスでの漸進的なモデル学習を支援するためのアシスタントとして、古いモデルと残留モデルを使用する三重ネットワークである。
  論文  参考訳（メタデータ） (2020-07-27T11:04:57Z)
• Continual Learning Using Multi-view Task Conditional Neural Networks [6.27221711890162]
  従来のディープラーニングモデルは、複数のタスクを逐次学習する能力に制限がある。 再帰的なタスクを事前に知る必要のないマルチビュータスク条件ニューラルネットワーク(Mv-TCNN)を提案する。
  論文  参考訳（メタデータ） (2020-05-08T01:03:30Z)
• Incremental Object Detection via Meta-Learning [77.55310507917012]
  本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。 既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
  論文  参考訳（メタデータ） (2020-03-17T13:40:00Z)

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。