論文の概要: SDLNet: Statistical Deep Learning Network for Co-Occurring Object Detection and Identification

• arxiv url: http://arxiv.org/abs/2407.17664v1
• Date: Wed, 24 Jul 2024 22:21:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 15:47:21.275928
• Title: SDLNet: Statistical Deep Learning Network for Co-Occurring Object Detection and Identification
• Title（参考訳）: SDLNet: オブジェクトの同時検出と同定のための統計的深層学習ネットワーク
• Authors: Binay Kumar Singh, Niels Da Vitoria Lobo,
• Abstract要約: 我々はSDLNetと呼ばれる新しいフレームワークを提案し、マルチラベルオブジェクトカテゴリのベースオブジェクトと協調してオブジェクトを識別する。 SDLNetはPascal VOCとMS-COCOの2つの公開データセットで評価されている。
• 参考スコア（独自算出の注目度）: 1.6037279419318131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the growing advances in deep learning based technologies the detection and identification of co-occurring objects is a challenging task which has many applications in areas such as, security and surveillance. In this paper, we propose a novel framework called SDLNet- Statistical analysis with Deep Learning Network that identifies co-occurring objects in conjunction with base objects in multilabel object categories. The pipeline of proposed work is implemented in two stages: in the first stage of SDLNet we deal with multilabel detectors for discovering labels, and in the second stage we perform co-occurrence matrix analysis. In co-occurrence matrix analysis, we learn co-occurrence statistics by setting base classes and frequently occurring classes, following this we build association rules and generate frequent patterns. The crucial part of SDLNet is recognizing base classes and making consideration for co-occurring classes. Finally, the generated co-occurrence matrix based on frequent patterns will show base classes and their corresponding co-occurring classes. SDLNet is evaluated on two publicly available datasets: Pascal VOC and MS-COCO. The experimental results on these benchmark datasets are reported in Sec 4.
• Abstract（参考訳）: ディープラーニングベースの技術の進歩により、共起オブジェクトの検出と識別は、セキュリティや監視といった分野で多くの応用が期待できる課題である。 本稿では,SDLNet- Statistical Analysis with Deep Learning Networkという新しいフレームワークを提案する。 提案手法のパイプラインは,SDLNetの第1段階においてラベル発見のためのマルチラベル検出器を扱い,第2段階では共起行列解析を行う。 共起行列解析では,基本クラスの設定と頻出クラスの設定により共起統計を学習し,その後,関連ルールを構築し,頻発パターンを生成する。 SDLNetの重要な部分は、ベースクラスを認識し、共起クラスについて考慮することである。 最後に、頻繁なパターンに基づいて生成された共起行列は、基底クラスとその対応する共起クラスを示す。 SDLNetはPascal VOCとMS-COCOの2つの公開データセットで評価されている。 これらのベンチマークデータセットの実験結果はSec 4.0で報告されている。

関連論文リスト

• Co-Occurring of Object Detection and Identification towards unlabeled object discovery [1.6037279419318131]
  本稿では,複数ラベルオブジェクトカテゴリのベースオブジェクトと協調して生成するオブジェクトを同定するための,新しいディープラーニングに基づくアプローチを提案する。 我々はPascal VOCとMS-COCOの2つの公開データセットで実験を行った。
  論文  参考訳（メタデータ） (2024-03-25T21:53:36Z)
• On the Cross-Dataset Generalization of Machine Learning for Network Intrusion Detection [50.38534263407915]
  ネットワーク侵入検知システム(NIDS)はサイバーセキュリティの基本的なツールである。 多様なネットワークにまたがる一般化能力は、その有効性と現実のアプリケーションにとって必須の要素である。 本研究では,機械学習に基づくNIDSの一般化に関する包括的分析を行う。
  論文  参考訳（メタデータ） (2024-02-15T14:39:58Z)
• Learning to Discover and Detect Objects [43.52208526783969]
  新たなクラス発見・検出・ローカライゼーション(NCDL)の課題に取り組む。 この設定では、よく観察されるクラスのオブジェクトのラベル付きソースデータセットを仮定する。 検出ネットワークをエンドツーエンドでトレーニングすることにより、さまざまなクラスに対してすべてのリージョン提案を分類することが可能になる。
  論文  参考訳（メタデータ） (2022-10-19T17:59:55Z)
• A Multi-label Continual Learning Framework to Scale Deep Learning Approaches for Packaging Equipment Monitoring [57.5099555438223]
  連続シナリオにおけるマルチラベル分類を初めて研究した。 タスク数に関して対数的複雑性を持つ効率的なアプローチを提案する。 我々は,包装業界における実世界のマルチラベル予測問題に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2022-08-08T15:58:39Z)
• Semantic Representation and Dependency Learning for Multi-Label Image Recognition [76.52120002993728]
  本稿では,各カテゴリのカテゴリ固有のセマンティック表現を学習するための,新しい,効果的なセマンティック表現と依存性学習(SRDL)フレームワークを提案する。 具体的には,カテゴリー別注意領域(CAR)モジュールを設計し,チャネル/空間的注意行列を生成してモデルを導出する。 また、カテゴリ間のセマンティック依存を暗黙的に学習するオブジェクト消去(OE)モジュールを設計し、セマンティック認識領域を消去する。
  論文  参考訳（メタデータ） (2022-04-08T00:55:15Z)
• Integrative Few-Shot Learning for Classification and Segmentation [37.50821005917126]
  少数ショット分類とセグメンテーション(FS-CS)の統合タスクについて紹介する。 FS-CSは、ターゲットクラスがいくつかの例で与えられるとき、クエリイメージでターゲットオブジェクトを分類し、セグメントすることを目的としている。 本稿では,FS-CSのための統合的数ショット学習フレームワークを提案し,学習者がクラスワイドな前景マップを構築するように訓練する。
  論文  参考訳（メタデータ） (2022-03-29T16:14:40Z)
• Large-scale Unsupervised Semantic Segmentation [163.3568726730319]
  本稿では, 大規模無教師付きセマンティックセマンティックセグメンテーション (LUSS) の新たな課題を提案する。 ImageNetデータセットに基づいて、120万のトレーニング画像と40万の高品質なセマンティックセグメンテーションアノテーションを用いた画像Net-Sデータセットを提案する。
  論文  参考訳（メタデータ） (2021-06-06T15:02:11Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• Continual Learning for Recurrent Neural Networks: a Review and Empirical Evaluation [12.27992745065497]
  リカレントニューラルネットワークによる連続学習は、受信データが定常的でない多数のアプリケーションへの道を開くことができる。 コントリビューションの分類とベンチマークのレビューを提供することで、シーケンシャルデータ処理のためのCLに関する文献を整理します。 我々は既存のデータセットに基づくシーケンシャルデータを持つclの新しいベンチマークを2つ提案する。
  論文  参考訳（メタデータ） (2021-03-12T19:25:28Z)
• Learning from Counting: Leveraging Temporal Classification for Weakly Supervised Object Localization and Detection [4.971083368517706]
  2次元画像を1次元シーケンスデータにシリアライズするスキャンオーダー技術を導入する。 次にLSTM(Long, Short-Term Memory)とCTCネットワークを組み合わせてオブジェクトのローカライゼーションを実現する。
  論文  参考訳（メタデータ） (2021-03-06T02:18:03Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。