論文の概要: Boosting Few-Shot Open-Set Object Detection via Prompt Learning and Robust Decision Boundary

• arxiv url: http://arxiv.org/abs/2406.18443v3
• Date: Wed, 21 May 2025 07:14:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:56.720685
• Title: Boosting Few-Shot Open-Set Object Detection via Prompt Learning and Robust Decision Boundary
• Title（参考訳）: プロンプト学習とロバスト決定境界を用いたFew-Shotオープンセットオブジェクト検出の高速化
• Authors: Zhaowei Wu, Binyi Su, Qichuan Geng, Hua Zhang, Zhong Zhou,
• Abstract要約: FOOD(Open-set Object Detection)は、多くのオープンワールドシナリオにおいて課題となる。 訓練サンプルが不足している未知の物体を拒絶しながら、既知の物体を検出するために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。 本手法は,従来の最先端手法よりも優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 10.054397736100245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot Open-set Object Detection (FOOD) poses a challenge in many open-world scenarios. It aims to train an open-set detector to detect known objects while rejecting unknowns with scarce training samples. Existing FOOD methods are subject to limited visual information, and often exhibit an ambiguous decision boundary between known and unknown classes. To address these limitations, we propose the first prompt-based few-shot open-set object detection framework, which exploits additional textual information and delves into constructing a robust decision boundary for unknown rejection. Specifically, as no available training data for unknown classes, we select pseudo-unknown samples with Attribution-Gradient based Pseudo-unknown Mining (AGPM), which leverages the discrepancy in attribution gradients to quantify uncertainty. Subsequently, we propose Conditional Evidence Decoupling (CED) to decouple and extract distinct knowledge from selected pseudo-unknown samples by eliminating opposing evidence. This optimization process can enhance the discrimination between known and unknown classes. To further regularize the model and form a robust decision boundary for unknown rejection, we introduce Abnormal Distribution Calibration (ADC) to calibrate the output probability distribution of local abnormal features in pseudo-unknown samples. Our method achieves superior performance over previous state-of-the-art approaches, improving the average recall of unknown class by 7.24% across all shots in VOC10-5-5 dataset settings and 1.38% in VOC-COCO dataset settings. Our source code is available at https://gitee.com/VR_NAVE/ced-food.
• Abstract（参考訳）: FOOD(Open-set Object Detection)は、多くのオープンワールドシナリオにおいて課題となる。 訓練サンプルが不足している未知の物体を拒絶しながら、既知の物体を検出するために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。 既存のFOOD法は限られた視覚情報の対象であり、しばしば未知のクラスと未知のクラスの間に曖昧な決定境界を示す。 これらの制約に対処するため、我々は、追加のテキスト情報を活用し、未知の拒絶に対する堅牢な決定境界を構築するための最初のプロンプトベースのオープンセットオブジェクト検出フレームワークを提案する。 具体的には、未知のクラスに対するトレーニングデータがないため、Attribution-Gradient based Pseudo-unknown Mining (AGPM) を用いて擬似未知のサンプルを選択する。 次に, 疑似未知のサンプルから異なる知識を分離し, 抽出する条件証拠デカップリング(CED)を提案する。 この最適化プロセスは、未知のクラスと未知のクラスとの区別を高めることができる。 モデルをさらに規則化し、未知の拒絶に対する堅牢な決定境界を形成するために、疑似未知のサンプルにおける局所異常特徴の出力確率分布を校正するために、異常分布校正(ADC)を導入する。 提案手法は従来の最先端手法よりも優れた性能を達成し,VOC10-5データセット設定では全ショット中7.24%,VOC-COCOデータセット設定では1.38%,未知クラスのリコール率は7.24%向上した。 ソースコードはhttps://gitee.com/VR_NAVE/ced-food.comで公開されています。

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。