論文の概要: Online Learning via Memory: Retrieval-Augmented Detector Adaptation

• arxiv url: http://arxiv.org/abs/2409.10716v1
• Date: Mon, 16 Sep 2024 20:40:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 18:40:30.082606
• Title: Online Learning via Memory: Retrieval-Augmented Detector Adaptation
• Title（参考訳）: メモリによるオンライン学習:検索拡張ディテクタ適応
• Authors: Yanan Jian, Fuxun Yu, Qi Zhang, William Levine, Brandon Dubbs, Nikolaos Karianakis,
• Abstract要約: 本稿では,任意の既製の物体検出モデルを,検出器モデルを再学習することなく,新しい領域に適応する方法を提案する。 人間が新しい主題(例えば記憶)の知識を素早く習得する方法(例えば記憶)にインスパイアされた私たちは、テスト期間中に、同様の物体の概念を記憶から探すことを可能にした。
• 参考スコア（独自算出の注目度）: 7.391039875214243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel way of online adapting any off-the-shelf object detection model to a novel domain without retraining the detector model. Inspired by how humans quickly learn knowledge of a new subject (e.g., memorization), we allow the detector to look up similar object concepts from memory during test time. This is achieved through a retrieval augmented classification (RAC) module together with a memory bank that can be flexibly updated with new domain knowledge. We experimented with various off-the-shelf open-set detector and close-set detectors. With only a tiny memory bank (e.g., 10 images per category) and being training-free, our online learning method could significantly outperform baselines in adapting a detector to novel domains.
• Abstract（参考訳）: 本稿では,任意の既製の物体検出モデルを,検出モデルを再学習することなく,新しい領域にオンライン適応する方法を提案する。 人間が新しい主題(例えば記憶)の知識を素早く習得する方法(例えば記憶)にインスパイアされた私たちは、テスト期間中に、同様の物体の概念を記憶から調べることを可能にする。 これは、新しいドメイン知識で柔軟に更新できるメモリバンクと共に、検索拡張分類(RAC)モジュールによって達成される。 我々は、市販のオープンセット検出器とクローズセット検出器を実験した。 最小限のメモリバンク(例:カテゴリ毎に10の画像)とトレーニング不要で、私たちのオンライン学習方法は、検出器を新しいドメインに適応させることで、ベースラインを大幅に上回る可能性がある。

関連論文リスト

• Semantic Novelty Detection via Relational Reasoning [17.660958043781154]
  本稿では,関係推論に基づく表現学習パラダイムを提案する。 実験の結果,この知識は様々なシナリオに直接伝達可能であることがわかった。 クローズドセット認識モデルを信頼できるオープンセットに変換するプラグイン・アンド・プレイモジュールとして利用することができる。
  論文  参考訳（メタデータ） (2022-07-18T15:49:27Z)
• 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)
• Pin the Memory: Learning to Generalize Semantic Segmentation [68.367763672095]
  本稿ではメタラーニングフレームワークに基づくセマンティックセグメンテーションのための新しいメモリ誘導ドメイン一般化手法を提案する。 本手法は,セマンティッククラスの概念的知識を,ドメインを超えて一定であるカテゴリ記憶に抽象化する。
  論文  参考訳（メタデータ） (2022-04-07T17:34:01Z)
• Morphable Detector for Object Detection on Demand [23.052757886831007]
  少数のサンプルから推定される変化可能なパラメータのいくつかを単に「変形させる」新しい形態素検出器(MD)を提案する。 MDの学習は、機能埋め込みとプロトタイプをEMライクなアプローチで交互に学習することに基づいている。 我々は,Pascal,COCO,FSODデータセットにおけるMDの優位性を示した。
  論文  参考訳（メタデータ） (2021-10-10T22:29:47Z)
• Adversarially Robust One-class Novelty Detection [83.1570537254877]
  既存のノベルティ検出器は敵の例に感受性があることが示される。 本稿では, 新規性検知器の潜伏空間を制御し, 敵に対する堅牢性を向上する防衛戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-25T10:41:29Z)
• RODEO: Replay for Online Object Detection [38.71423065635437]
  本稿では,オブジェクト検出のためのオンラインストリーミング学習の先駆者となる。 従来とは違って,本論文で紹介したシステムでは,時間とともに新たなクラスが導入された上で,このタスクをオンラインで学習することができる。 PASCAL VOC 2007 と MS COCO の両データセットから最先端の成果を得た。
  論文  参考訳（メタデータ） (2020-08-14T16:03:52Z)
• Cross-Supervised Object Detection [42.783400918552765]
  完全ラベル付きベースカテゴリから学習した知識を活用して、新しいカテゴリの弱いラベル付き画像からより良いオブジェクト検出器を構築する方法を示す。 本稿では,インスタンスレベルのアノテーションから学習した検出ヘッドと,画像レベルのアノテーションから学習した認識ヘッドを組み合わせた統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-26T15:33:48Z)
• Exploring Bottom-up and Top-down Cues with Attentive Learning for Webly Supervised Object Detection [76.9756607002489]
  本稿では,新しいクラスを対象としたWebSOD法を提案する。 提案手法はボトムアップとトップダウンを組み合わせた新しいクラス検出手法である。 提案手法は,3種類の新規/ベース分割を持つPASCAL VOCデータセット上で実証した。
  論文  参考訳（メタデータ） (2020-03-22T03:11:24Z)
• 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)
• Incremental Few-Shot Object Detection [96.02543873402813]
  OpeN-ended Centre nEtは、いくつかの例でクラスオブジェクトの検出を漸進的に学習する検出器である。 ONCEはインクリメンタルな学習パラダイムを十分に尊重しており、新しいクラス登録では、数発のトレーニングサンプルを1回だけフォワードパスするだけでよい。
  論文  参考訳（メタデータ） (2020-03-10T12:56:59Z)

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。