論文の概要: UADet: A Remarkably Simple Yet Effective Uncertainty-Aware Open-Set Object Detection Framework

• arxiv url: http://arxiv.org/abs/2412.09229v1
• Date: Thu, 12 Dec 2024 12:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 13:32:26.749377
• Title: UADet: A Remarkably Simple Yet Effective Uncertainty-Aware Open-Set Object Detection Framework
• Title（参考訳）: UADet: シンプルで効果的な不確実性を認識したオープンセットオブジェクト検出フレームワーク
• Authors: Silin Cheng, Yuanpei Liu, Kai Han,
• Abstract要約: 我々は,未知のオブジェクトと未知のオブジェクトの両方を検出することを目的とした,Open-Set Object Detection (OSOD) の問題に取り組む。 外観と幾何的不確実性を考慮した不確かさ認識型オープンセットオブジェクト検出器UADetを提案する。
• 参考スコア（独自算出の注目度）: 13.310007077914122
• License:
• Abstract: We tackle the challenging problem of Open-Set Object Detection (OSOD), which aims to detect both known and unknown objects in unlabelled images. The main difficulty arises from the absence of supervision for these unknown classes, making it challenging to distinguish them from the background. Existing OSOD detectors either fail to properly exploit or inadequately leverage the abundant unlabeled unknown objects in training data, restricting their performance. To address these limitations, we propose UADet, an Uncertainty-Aware Open-Set Object Detector that considers appearance and geometric uncertainty. By integrating these uncertainty measures, UADet effectively reduces the number of unannotated instances incorrectly utilized or omitted by previous methods. Extensive experiments on OSOD benchmarks demonstrate that UADet substantially outperforms previous state-of-the-art (SOTA) methods in detecting both known and unknown objects, achieving a 1.8x improvement in unknown recall while maintaining high performance on known classes. When extended to Open World Object Detection (OWOD), our method shows significant advantages over the current SOTA method, with average improvements of 13.8% and 6.9% in unknown recall on M-OWODB and S-OWODB benchmarks, respectively. Extensive results validate the effectiveness of our uncertainty-aware approach across different open-set scenarios.
• Abstract（参考訳）: 我々は,未知のオブジェクトと未知のオブジェクトの両方を検出することを目的とした,Open-Set Object Detection (OSOD) の課題に対処する。 主な困難は、これらの未知のクラスに対する監督の欠如から生じ、それらを背景と区別することは困難である。 既存のOSOD検出器は、トレーニングデータにおける豊富な未ラベルの未知のオブジェクトを適切に活用または不適切な利用に失敗し、その性能を制限している。 これらの制約に対処するため,不確かさを意識したオープンセットオブジェクト検出器であるUADetを提案する。 これらの不確実性対策を統合することで、UADetは、以前の方法で誤って利用されたり省略されたりした未通知インスタンスの数を効果的に削減する。 OSODベンチマークの大規模な実験により、UADetは既知のオブジェクトと未知のオブジェクトの両方を検知する従来の最先端(SOTA)メソッドを大幅に上回り、未知のリコールにおいて1.8倍の改善を達成し、既知のクラスの性能を維持した。 Open World Object Detection (OWOD) に拡張すると、M-OWODB ベンチマークと S-OWODB ベンチマークで平均 13.8% と 6.9% の改善が見られた。 大規模な結果は、異なるオープンセットシナリオにおける不確実性認識アプローチの有効性を検証する。

関連論文リスト

• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
  Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。 より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。 我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
  論文  参考訳（メタデータ） (2024-01-01T08:19:21Z)
• USD: Unknown Sensitive Detector Empowered by Decoupled Objectness and Segment Anything Model [14.080744645704751]
  Open World Object Detection (OWOD) は、新しいコンピュータビジョンタスクである。 本稿では,この2つの境界の学習をデコーダ層に分割する,シンプルで効果的な学習戦略であるDecoupled Objectness Learning(DOL)を提案する。 また、擬似ラベルとソフトウェイト戦略を用いてノイズの負の影響を緩和する補助的スーパービジョンフレームワーク(ASF)も導入する。
  論文  参考訳（メタデータ） (2023-06-04T06:42:09Z)
• Unknown Sniffer for Object Detection: Don't Turn a Blind Eye to Unknown Objects [21.426594215463105]
  未知のオブジェクトと未知のオブジェクトの両方を見つけるために、未知のスニファー(UnSniffer)を提案する。 GOCスコアは、既知のサンプルのみを使用して監視し、背景にある未知の不正な抑制を回避する。 未知の物体検出ベンチマーク(Unknown Object Detection Benchmark)は,未知の物体検出の精度評価を含む最初の公開ベンチマークである。
  論文  参考訳（メタデータ） (2023-03-24T02:59:44Z)
• Open-Set Semi-Supervised Object Detection [43.464223594166654]
  近年,Semi-Supervised Object Detection (SSOD) の開発が進められている。 我々は、より実用的で難しい問題、OSSOD(Open-Set Semi-Supervised Object Detection)を考える。 提案フレームワークはセマンティック拡張問題に効果的に対処し,OSSODベンチマークにおける一貫した改善を示す。
  論文  参考訳（メタデータ） (2022-08-29T17:04:30Z)
• More Practical Scenario of Open-set Object Detection: Open at Category Level and Closed at Super-category Level [23.98839374194848]
  オープンセットオブジェクト検出(OSOD)は近年注目されている。 我々はまず, 未知の物体の無限多様性を考慮した最近の研究で考慮されたOSODのシナリオが, 根本的な問題となっていることを指摘した。 この問題は未知のオブジェクト検出におけるメソッドの性能評価に困難をもたらす。
  論文  参考訳（メタデータ） (2022-07-20T09:28:51Z)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• OW-DETR: Open-world Detection Transformer [90.56239673123804]
  オープンワールドオブジェクト検出のための新しいエンドツーエンドトランスフォーマーベースのフレームワークOW-DETRを提案する。 OW-DETRは3つの専用コンポーネント、すなわち注目駆動の擬似ラベル、新規性分類、オブジェクトネススコアから構成される。 我々のモデルは、最近導入されたOWODアプローチであるOREよりも優れており、リコールの度合いは1.8%から3.3%である。
  論文  参考訳（メタデータ） (2021-12-02T18:58:30Z)
• 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)

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。