Fugu-MT 論文翻訳(概要): A Novel Unified Architecture for Low-Shot Counting by Detection and Segmentation

論文の概要: A Novel Unified Architecture for Low-Shot Counting by Detection and Segmentation

arxiv url: http://arxiv.org/abs/2409.18686v1
Date: Fri, 27 Sep 2024 12:20:29 GMT
ステータス: 処理完了
システム内更新日: 2024-10-01 16:10:18.733907
Title: A Novel Unified Architecture for Low-Shot Counting by Detection and Segmentation
Title（参考訳）: 検出とセグメンテーションによる低ショットカウントのための新しい統一アーキテクチャ
Authors: Jer Pelhan, Alan Lukežič, Vitjan Zavrtanik, Matej Kristan,
Abstract要約: ローショットオブジェクトカウンタは、注釈付き例題をほとんどあるいは全く使用せずに画像内のオブジェクト数を推定する。既存のアプローチは、しばしば過一般化と偽陽性検出につながる。本稿では,オブジェクト検出,セグメンテーション,カウント推定を行う新しいローショットカウンタであるGeCoを紹介する。
参考スコア（独自算出の注目度）: 10.461109095311546
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Low-shot object counters estimate the number of objects in an image using few or no annotated exemplars. Objects are localized by matching them to prototypes, which are constructed by unsupervised image-wide object appearance aggregation. Due to potentially diverse object appearances, the existing approaches often lead to overgeneralization and false positive detections. Furthermore, the best-performing methods train object localization by a surrogate loss, that predicts a unit Gaussian at each object center. This loss is sensitive to annotation error, hyperparameters and does not directly optimize the detection task, leading to suboptimal counts. We introduce GeCo, a novel low-shot counter that achieves accurate object detection, segmentation, and count estimation in a unified architecture. GeCo robustly generalizes the prototypes across objects appearances through a novel dense object query formulation. In addition, a novel counting loss is proposed, that directly optimizes the detection task and avoids the issues of the standard surrogate loss. GeCo surpasses the leading few-shot detection-based counters by $\sim$25\% in the total count MAE, achieves superior detection accuracy and sets a new solid state-of-the-art result across all low-shot counting setups.
Abstract（参考訳）: ローショットオブジェクトカウンタは、注釈付き例題をほとんどあるいは全く使用せずに画像内のオブジェクト数を推定する。オブジェクトはそれらをプロトタイプとマッチングすることでローカライズされ、これは教師なしのイメージワイドオブジェクトの外観アグリゲーションによって構築される。潜在的に多様なオブジェクトの出現のため、既存のアプローチはしばしば過一般化と偽陽性の検出につながる。さらに、最良性能の手法は、各オブジェクト中心における単位ガウスを予測する代理損失によるオブジェクトのローカライゼーションを訓練する。この損失はアノテーションエラーやハイパーパラメータに敏感であり、検出タスクを直接最適化しないため、最適値以下になる。本稿では,オブジェクト検出,セグメンテーション,カウント推定を統一アーキテクチャで実現する,新しいローショットカウンタであるGeCoを紹介する。 GeCoは、新しい高密度オブジェクトクエリの定式化を通じて、オブジェクトの外観にまたがるプロトタイプを強力に一般化する。さらに,検出タスクを直接最適化し,標準サロゲート損失の問題を回避し,新たなカウント損失を提案する。 GeCoは、全カウントMAEにおいて$\sim$25\%の差で主要な数ショット検出ベースのカウンタを上回り、優れた検出精度を達成し、すべてのローショットカウント設定に対して、新たなソリッド・オブ・ザ・アーティヴな結果を設定する。

関連論文リスト

Better Sampling, towards Better End-to-end Small Object Detection [7.7473020808686694]
限られた特性と高密度と相互重なり合いのため、小さな物体検出は不満足なままである。エンド・ツー・エンド・フレームワークにおけるサンプリングの強化手法を提案する。我々のモデルは、VisDroneデータセット上での最先端(SOTA)よりも平均精度(AP)が2.9%向上することを示す。
論文参考訳（メタデータ） (2024-05-17T04:37:44Z)
DAVE -- A Detect-and-Verify Paradigm for Low-Shot Counting [10.461109095311546]
ローショットカウンタは、画像の例の少ないものまたは全くないものに基づいて、選択されたカテゴリに対応するオブジェクトの数を推定する。現在の最先端技術では、対象位置密度マップの合計として総計を見積もっているが、個々の対象位置と大きさは提供していない。本稿では,検出と検証のパラダイムに基づく低ショットカウンタであるDAVEを提案する。
論文参考訳（メタデータ） (2024-04-25T14:07:52Z)
Sparse Semi-DETR: Sparse Learnable Queries for Semi-Supervised Object Detection [12.417754433715903]
Sparse Semi-DETRは、トランスフォーマーをベースとした、エンドツーエンドの半教師付きオブジェクト検出ソリューションである。 Sparse Semi-DETR には Query Refinement Module が組み込まれており、オブジェクトクエリの品質を高め、小型で部分的に隠されたオブジェクトの検出能力を著しく改善している。 MS-COCOおよびPascal VOCオブジェクト検出ベンチマークでは、Sparse Semi-DETRは現在の最先端手法よりも大幅に改善されている。
論文参考訳（メタデータ） (2024-04-02T10:22:23Z)
Few-Shot Object Detection with Sparse Context Transformers [37.106378859592965]
少ないショット検出は、少ないラベル付きデータでトレーニングされたモデルを使用してオブジェクトをローカライズするパターン認識における主要なタスクである。本稿では,ソース領域におけるオブジェクトの知識を効果的に活用し,対象領域内の少数のトレーニング画像からスパースコンテキストを自動的に学習する新しいスパースコンテキスト変換器を提案する。提案手法を2つの難易度オブジェクト検出ベンチマークで評価し,提案手法が関連する最先端技術と比較して競合性能を得ることを示す実験結果を得た。
論文参考訳（メタデータ） (2024-02-14T17:10:01Z)
Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文参考訳（メタデータ） (2023-08-18T13:13:09Z)
Few-shot Object Counting and Detection [25.61294147822642]
我々は、ターゲットオブジェクトクラスのいくつかの例のバウンディングボックスを考慮に入れ、ターゲットクラスのすべてのオブジェクトをカウントし、検出する新しいタスクに取り組む。このタスクは、数ショットのオブジェクトカウントと同じ監督を共有しますが、オブジェクトのバウンディングボックスと総オブジェクトカウントを出力します。本稿では,新しい2段階トレーニング戦略と,新しい不確実性に留意した小ショットオブジェクト検出器であるCounting-DETRを紹介する。
論文参考訳（メタデータ） (2022-07-22T10:09:18Z)
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)
Plug-and-Play Few-shot Object Detection with Meta Strategy and Explicit Localization Inference [78.41932738265345]
本稿では, 微調整を行なわずに新しいカテゴリーの物体を正確に検出できるプラグ検出器を提案する。局所化プロセスに2つの明示的な推論を導入し、アノテーション付きデータへの依存を減らす。これは、様々な評価プロトコルの下で、効率、精度、リコールの両方において大きなリードを示している。
論文参考訳（メタデータ） (2021-10-26T03:09:57Z)
Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文参考訳（メタデータ） (2020-11-17T09:39:42Z)
End-to-End Object Detection with Transformers [88.06357745922716]
本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
論文参考訳（メタデータ） (2020-05-26T17:06:38Z)
Any-Shot Object Detection [81.88153407655334]
「アニーショット検出」とは、全く見えず、数発のカテゴリが推論中に同時に共起できる場所である。我々は、ゼロショットと少数ショットの両方のオブジェクトクラスを同時に検出できる、統合された任意のショット検出モデルを提案する。我々のフレームワークは、ゼロショット検出とFewショット検出タスクにのみ使用できる。
論文参考訳（メタデータ） (2020-03-16T03:43:15Z)

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。