論文の概要: EGOR: Efficient Generated Objects Replay for incremental object detection

• arxiv url: http://arxiv.org/abs/2406.04829v1
• Date: Fri, 7 Jun 2024 10:54:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-10 14:30:43.507729
• Title: EGOR: Efficient Generated Objects Replay for incremental object detection
• Title（参考訳）: EGOR: インクリメンタルオブジェクト検出のための効率的な生成オブジェクトリプレイ
• Authors: Zijia An, Boyu Diao, Libo Huang, Ruiqi Liu, Zhulin An, Yongjun Xu,
• Abstract要約: インクリメンタルオブジェクト検出は、古いクラスの精度を同時に維持し、インクリメンタルデータで新しいクラスのオブジェクトを検出することを目的としている。 既存の蒸留法では、未ラベルの古いオブジェクトがインクリメンタルデータセットに存在しない場合、性能が低下する。 本稿では,この問題を解決するために,効率的な生成オブジェクト再生(EGOR)を提案する。
• 参考スコア（独自算出の注目度）: 22.415936450558334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incremental object detection aims to simultaneously maintain old-class accuracy and detect emerging new-class objects in incremental data. Most existing distillation-based methods underperform when unlabeled old-class objects are absent in the incremental dataset. While the absence can be mitigated by generating old-class samples, it also incurs high computational costs. In this paper, we argue that the extra computational cost stems from the inconsistency between the detector and the generative model, along with redundant generation. To overcome this problem, we propose Efficient Generated Object Replay (EGOR). Specifically, we generate old-class samples by inversing the original detectors, thus eliminating the necessity of training and storing additional generative models. We also propose augmented replay to reuse the objects in generated samples, thereby reducing the redundant generation. In addition, we propose high-response knowledge distillation focusing on the knowledge related to the old class, which transfers the knowledge in generated objects to the incremental detector. With the addition of the generated objects and losses, we observe a bias towards old classes in the detector. We balance the losses for old and new classes to alleviate the bias, thereby increasing the overall detection accuracy. Extensive experiments conducted on MS COCO 2017 demonstrate that our method can efficiently improve detection performance in the absence of old-class objects.
• Abstract（参考訳）: インクリメンタルオブジェクト検出は、古いクラスの精度を同時に維持し、インクリメンタルデータで新しいクラスのオブジェクトを検出することを目的としている。 既存の蒸留法では、未ラベルの古いオブジェクトがインクリメンタルデータセットに存在しない場合、性能が低下する。 古い種類のサンプルを生成することで、この欠如を軽減できるが、計算コストも高い。 本稿では, 余剰計算コストは, 余剰生成とともに, 検出器と生成モデルとの整合性に起因すると論じる。 この問題を解決するために,効率的な生成オブジェクト再生(EGOR)を提案する。 具体的には、元の検出器を逆転させることで古いサンプルを生成し、トレーニングや追加生成モデルの保存の必要性を解消する。 また、生成したサンプル中のオブジェクトを再利用する拡張リプレイを提案し、冗長な生成を減らす。 さらに, 古クラスの知識に着目した高応答の知識蒸留を提案し, 生成したオブジェクトの知識をインクリメンタル検出器に転送する。 生成されたオブジェクトの追加と損失により、検出器内の古いクラスに対するバイアスが観測される。 古いクラスと新しいクラスの損失のバランスをとることでバイアスを緩和し、全体的な検出精度を高めます。 また,MS COCO 2017で行った大規模な実験により,従来のオブジェクトが存在しない場合に検出性能を効率よく向上できることを示した。

関連論文リスト

• PASS++: A Dual Bias Reduction Framework for Non-Exemplar Class-Incremental Learning [49.240408681098906]
  クラスインクリメンタルラーニング(CIL)は,旧クラスの識別性を維持しつつ,新たなクラスを段階的に認識することを目的としている。 既存のCILメソッドの多くは、例えば、古いデータの一部を格納して再トレーニングする例がある。 本稿では、入力空間における自己教師付き変換(SST)と深い特徴空間におけるプロトタイプ拡張(protoAug)を利用する、単純で斬新な二重バイアス低減フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-19T05:03:16Z)
• DualTeacher: Bridging Coexistence of Unlabelled Classes for Semi-supervised Incremental Object Detection [53.8061502411777]
  現実世界のアプリケーションでは、オブジェクト検出器は、しばしば新しいクラスのオブジェクトインスタンスに遭遇し、それらを効果的に適合させる必要がある。 以前の作業では、この重要な問題をインクリメンタルオブジェクト検出(IOD)として定式化しており、新しいクラスのオブジェクトインスタンスがインクリメンタルデータで完全に注釈付けされていると仮定している。 我々は、より現実的な半教師付きIOD (SSIOD) について考察する。オブジェクト検出器は、ラベル付きデータと大量の非ラベル付きデータから、段階的に新しいクラスを学習する必要がある。
  論文  参考訳（メタデータ） (2023-12-13T10:46:14Z)
• Density Map Distillation for Incremental Object Counting [37.982124268097]
  インクリメンタルなオブジェクトカウントに対するナイーブなアプローチは、破滅的な忘れ込みに悩まされ、以前のタスクに対する劇的なパフォーマンス低下に悩まされる。 密度マップ蒸留法 (DMD) と呼ばれる, 先例のない関数正規化手法を提案する。 トレーニング中,各タスクに新しいカウンタヘッドを導入し,従来のタスクを忘れないように蒸留損失を導入する。
  論文  参考訳（メタデータ） (2023-04-11T14:46:21Z)
• 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)
• 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)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• 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)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• 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。