論文の概要: O1O: Grouping of Known Classes to Identify Unknown Objects as Odd-One-Out
- arxiv url: http://arxiv.org/abs/2410.07514v1
- Date: Thu, 10 Oct 2024 01:08:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 16:36:31.388689
- Title: O1O: Grouping of Known Classes to Identify Unknown Objects as Odd-One-Out
- Title（参考訳）: O1O: 未知のオブジェクトをOdd-One-Outとして識別するための既知のクラスのグループ化
- Authors: Mısra Yavuz, Fatma Güney,
- Abstract要約: 現在のオブジェクト検出方法は、オブジェクトの候補位置に対応する擬似ラベルによる近似的な監視に依存している。
幾何的手がかりは未知のリコールを改善する。
超クラス内のクラス間の類似性を特定することで、奇数一点のスコアリング機構によって未知のクラスを識別できる。
- 参考スコア（独自算出の注目度）: 3.637162892228131
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object detection methods trained on a fixed set of known classes struggle to detect objects of unknown classes in the open-world setting. Current fixes involve adding approximate supervision with pseudo-labels corresponding to candidate locations of objects, typically obtained in a class-agnostic manner. While previous approaches mainly rely on the appearance of objects, we find that geometric cues improve unknown recall. Although additional supervision from pseudo-labels helps to detect unknown objects, it also introduces confusion for known classes. We observed a notable decline in the model's performance for detecting known objects in the presence of noisy pseudo-labels. Drawing inspiration from studies on human cognition, we propose to group known classes into superclasses. By identifying similarities between classes within a superclass, we can identify unknown classes through an odd-one-out scoring mechanism. Our experiments on open-world detection benchmarks demonstrate significant improvements in unknown recall, consistently across all tasks. Crucially, we achieve this without compromising known performance, thanks to better partitioning of the feature space with superclasses.
- Abstract（参考訳）: 固定された既知のクラスのセットで訓練されたオブジェクト検出方法は、オープンワールド環境で未知のクラスのオブジェクトを検出するのに苦労する。
現在の修正には、一般的にクラスに依存しない方法で得られる、オブジェクトの候補位置に対応する擬似ラベルによる近似的な監督を追加することが含まれる。
従来のアプローチは主にオブジェクトの出現に依存していたが、幾何学的手がかりが未知のリコールを改善することが判明した。
擬似ラベルからのさらなる監視は未知のオブジェクトを検出するのに役立つが、既知のクラスに対して混乱をもたらす。
ノイズのある擬似ラベルの存在下では、既知の物体を検出するためのモデルの性能が顕著に低下するのを観察した。
人間の認知に関する研究からインスピレーションを得て、既知のクラスをスーパークラスに分類することを提案する。
スーパークラス内のクラス間の類似性を識別することにより、奇数点のスコアリング機構によって未知のクラスを識別できる。
オープンワールド検出ベンチマークの実験では、すべてのタスクにおいて、未知のリコールが大幅に改善された。
重要なのは、スーパークラスによる機能空間のパーティショニングの改善により、既知のパフォーマンスを損なうことなく、これを実現することです。
関連論文リスト
- 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) - Open World DETR: Transformer based Open World Object Detection [60.64535309016623]
そこで我々は,Deformable DETRに基づくオープンワールドオブジェクト検出のための2段階学習手法Open World DETRを提案する。
モデルのクラス固有のコンポーネントを多視点の自己ラベル戦略と一貫性制約で微調整する。
提案手法は、他の最先端のオープンワールドオブジェクト検出方法よりも大きなマージンで優れている。
論文 参考訳（メタデータ） (2022-12-06T13:39:30Z) - Detecting the unknown in Object Detection [20.84221126313118]
我々は、アノテーションを必要とせずに未知のオブジェクトを予測できるUNKADと呼ばれる新しいトレーニング戦略を提案する。
UNKADはまず未知のオブジェクトを識別し、擬似ラベルを使用して未知のクラスをトレーニングする。
UNKADは未知の物体を直接検出できるが、従来の未知の検出技術と組み合わせることで、コストなしで性能を向上できることを示す。
論文 参考訳（メタデータ） (2022-08-24T16:27:38Z) - Towards Open-Set Object Detection and Discovery [38.81806249664884]
我々は新しいタスク、すなわちOpen-Set Object Detection and Discovery(OSODD)を提案する。
本稿では、まずオープンセットオブジェクト検出器を用いて、未知のオブジェクトと未知のオブジェクトの両方を予測する2段階の手法を提案する。
そこで,予測対象を教師なしで表現し,未知対象の集合から新たなカテゴリを発見する。
論文 参考訳（メタデータ） (2022-04-12T08:07:01Z) - Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。
本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
論文 参考訳（メタデータ） (2021-12-21T17:10:21Z) - Learning to Detect Instance-level Salient Objects Using Complementary
Image Labels [55.049347205603304]
本報告では,本問題に対する第1の弱教師付きアプローチを提案する。
本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
論文 参考訳（メタデータ） (2021-11-19T10:15:22Z) - Objects in Semantic Topology [36.297624587122506]
認定されたオープンワールドオブジェクト検出器は、既知のカテゴリのオブジェクトを識別できるだけでなく、未知のオブジェクトも発見できる。
我々は統一された視点:意味的トポロジーを提供する。
実験により、ランダムに生成されたか、十分に訓練された言語モデルから派生したセマンティックトポロジーが、現在の最先端のオープンワールドオブジェクト検出器より優れていることが示された。
論文 参考訳（メタデータ） (2021-10-06T12:15:30Z) - Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。
異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。
提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
論文 参考訳（メタデータ） (2021-06-29T11:51:57Z) - Towards Open World Object Detection [68.79678648726416]
ORE: Open World Object Detectorは、対照的なクラスタリングとエネルギーベースの未知の識別に基づいている。
未知のインスタンスの識別と特徴付けは、インクリメンタルなオブジェクト検出設定における混乱を減らすのに役立ちます。
論文 参考訳（メタデータ） (2021-03-03T18:58:18Z) - Weakly-supervised Salient Instance Detection [65.0408760733005]
本報告では,本問題に対する第1の弱教師付きアプローチを提案する。
本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
論文 参考訳（メタデータ） (2020-09-29T09:47:23Z)
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。