論文の概要: Few-Shot Open-Set Object Detection via Conditional Evidence Decoupling

• arxiv url: http://arxiv.org/abs/2406.18443v2
• Date: Mon, 25 Nov 2024 04:03:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:15:30.895326
• Title: Few-Shot Open-Set Object Detection via Conditional Evidence Decoupling
• Title（参考訳）: 条件付きエビデンスデカップリングによるFew-Shotオープンセットオブジェクト検出
• Authors: Zhaowei Wu, Binyi Su, Hua Zhang, Zhong Zhou,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.78242987271299
• License:
• Abstract: Few-shot Open-set Object Detection (FOOD) poses a significant challenge in real-world scenarios. It aims to train an open-set detector under the condition of scarce training samples, which can detect known objects while rejecting unknowns. Under this challenging scenario, the decision boundaries of unknowns are difficult to learn and often ambiguous. To mitigate this issue, we develop a two-stage open-set object detection framework with prompt learning, which delves into conditional evidence decoupling for the unknown rejection. Specifically, we propose an Attribution-Gradient-based Pseudo-unknown Mining (AGPM) method to select region proposals with high uncertainty, which leverages the discrepancy in attribution gradients between known and unknown classes, alleviating the inadequate unknown distribution coverage of training data. Subsequently, we decouple known and unknown properties in pseudo-unknown samples to learn distinct knowledge with proposed Conditional Evidence Decoupling (CED), which enhances separability between knowns and unknowns. Additionally, we adjust the output probability distribution through Abnormal Distribution Calibration (ADC), which serves as a regularization term to establish robust decision boundaries for the unknown rejection. Our method has achieved superior performance over previous state-of-the-art approaches, improving the mean recall of unknown class by 7.24% across all shots in VOC10-5-5 dataset settings and 1.38% in VOC-COCO dataset settings. The code is available via https://github.com/zjzwzw/CED-FOOD.
• Abstract（参考訳）: 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。 この挑戦的なシナリオでは、未知の判断境界は学習が困難であり、しばしば曖昧である。 この問題を軽減するために,我々は,未知の拒絶に対して条件付き証拠を分離する,素早い学習が可能な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開発した。 具体的には、未知クラスと未知クラス間の帰属勾配の差を利用して、トレーニングデータの不適切な分布範囲を緩和する、不確実性の高い地域提案を選択するための、属性グラディエントベースの擬似無知マイニング(AGPM)手法を提案する。 その後、疑似未知のサンプル中の未知と未知のプロパティを分離し、未知と未知の分離性を高める条件証拠分離(CED)を提案する。 さらに,正規化用語として機能する異常分布校正(ADC)による出力確率分布を調整し,未知の拒絶に対する堅牢な決定境界を確立する。 提案手法は従来の最先端手法よりも優れた性能を示し,VOC10-5データセット設定では全ショットで未知のクラスの平均リコールが7.24%向上し,VOC-COCOデータセット設定では1.38%向上した。 コードはhttps://github.com/zjzwzw/CED-FOOD.comから入手できる。

関連論文リスト

• Dirichlet-Based Coarse-to-Fine Example Selection For Open-Set Annotation [37.33424244520009]
  本稿では,ディリクレに基づく大まかな実例選択(DCFS)戦略を提案する。 本手法では, 翻訳の不変性を損なうために, 単純なx-based obviousial Deep Learning (EDL)を導入している。 様々なオープンネス比データセットの実験は、DCFSが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-09-26T07:47:50Z)
• Unsupervised Recognition of Unknown Objects for Open-World Object Detection [28.787586991713535]
  Open-World Object Detection (OWOD) はオブジェクト検出問題を現実的でダイナミックなシナリオに拡張する。 現在のOWODモデル(OREやOW-DETRなど)は、高い客観性スコアを持つ擬似ラベル領域に注目する。 本稿では,未知の物体を認識するために,教師なしの識別モデルを学ぶ新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T08:17:29Z)
• Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
  オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。 本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。 Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-21T09:07:15Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Towards Generalized Few-Shot Open-Set Object Detection [13.671120689841736]
  オープンセットオブジェクト検出(OSOD)は、既知のカテゴリを検出し、動的世界の未知のオブジェクトを拒否することを目的としている。 本稿では,G-FOOD (Generalized few-shot Open-set Object Detection) の解を求める。 この問題に対処する新しいG-FOODアルゴリズム, underlineFew-shunderlineOt underline Open-set underlineDetector (FOOD)を提案する。
  論文  参考訳（メタデータ） (2022-10-28T09:02:32Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• 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)
• Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object Detection [66.10057490293981]
  半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。 本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2021-03-29T09:27:23Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• 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)
• Conditional Gaussian Distribution Learning for Open Set Recognition [10.90687687505665]
  オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。 未知のサンプルを検出することに加えて、異なる潜伏特徴を異なるガウスモデルに近似させることにより、既知のサンプルを分類することもできる。 いくつかの標準画像に対する実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。
  論文  参考訳（メタデータ） (2020-03-19T14:32:08Z)

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。