論文の概要: MR-GDINO: Efficient Open-World Continual Object Detection

• arxiv url: http://arxiv.org/abs/2412.15979v2
• Date: Mon, 23 Dec 2024 16:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 12:13:16.299222
• Title: MR-GDINO: Efficient Open-World Continual Object Detection
• Title（参考訳）: MR-GDINO: オープンワールド連続物体検出の効率化
• Authors: Bowen Dong, Zitong Huang, Guanglei Yang, Lei Zhang, Wangmeng Zuo,
• Abstract要約: 本稿では,従来型,新しい,目に見えないカテゴリに一般化するために,検出器を必要とするオープンワールド連続物体検出タスクを提案する。 本稿では,検出能力を評価するためのOW-CODベンチマークを提案する。 そこで我々は,記憶と検索機構を通じて,強力な,効率的でスケーラブルなベースラインであるMR-GDINOを提案する。
• 参考スコア（独自算出の注目度）: 58.066277387205325
• License:
• Abstract: Open-world (OW) recognition and detection models show strong zero- and few-shot adaptation abilities, inspiring their use as initializations in continual learning methods to improve performance. Despite promising results on seen classes, such OW abilities on unseen classes are largely degenerated due to catastrophic forgetting. To tackle this challenge, we propose an open-world continual object detection task, requiring detectors to generalize to old, new, and unseen categories in continual learning scenarios. Based on this task, we present a challenging yet practical OW-COD benchmark to assess detection abilities. The goal is to motivate OW detectors to simultaneously preserve learned classes, adapt to new classes, and maintain open-world capabilities under few-shot adaptations. To mitigate forgetting in unseen categories, we propose MR-GDINO, a strong, efficient and scalable baseline via memory and retrieval mechanisms within a highly scalable memory pool. Experimental results show that existing continual detectors suffer from severe forgetting for both seen and unseen categories. In contrast, MR-GDINO largely mitigates forgetting with only 0.1% activated extra parameters, achieving state-of-the-art performance for old, new, and unseen categories.
• Abstract（参考訳）: オープンワールド(OW)認識と検出モデルは、パフォーマンスを向上させるための継続学習手法の初期化としての使用を刺激し、ゼロおよび少数ショット適応能力を示す。 目に見える授業で有望な結果が出たにもかかわらず、目に見えないクラスのOW能力は破滅的な忘れ物のためにほとんど劣化している。 この課題に対処するために、我々は、連続学習シナリオにおいて、古い、新しい、見えないカテゴリに一般化するために検出器を必要とする、オープンワールド連続物体検出タスクを提案する。 本課題に基づき,検出能力を評価するためのOW-CODベンチマークを提案する。 OW検出器のモチベーションは、学習したクラスを同時に保存し、新しいクラスに適応し、数ショットの適応の下でオープンワールドの能力を維持することである。 本稿では,メモリプール内のメモリと検索機構を介して,強力な,効率的でスケーラブルなベースラインであるMR-GDINOを提案する。 実験の結果, 既存の連続検出器は, 目視と目視の両カテゴリーにおいて, 深刻な忘れ込みに悩まされていることが明らかとなった。 対照的に、MR-GDINOは0.1%のアクティベートされた余分なパラメータで忘れを緩和し、古い、新しい、見えないカテゴリの最先端のパフォーマンスを達成する。

関連論文リスト

• OpenNet: Incremental Learning for Autonomous Driving Object Detection with Balanced Loss [3.761247766448379]
  提案手法は既存手法よりも優れた性能が得られる。 CODAデータセットを用いた実験結果から,提案手法は既存手法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-11-25T06:02:50Z)
• Fast Hierarchical Learning for Few-Shot Object Detection [57.024072600597464]
  転送学習アプローチは、最近、数ショット検出タスクで有望な結果を得た。 これらのアプローチは、ベース検出器の微調整による破滅的な忘れ込みの問題に悩まされる。 この作業における上記の問題に対処する。
  論文  参考訳（メタデータ） (2022-10-10T20:31:19Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)
• SHELS: Exclusive Feature Sets for Novelty Detection and Continual Learning Without Class Boundaries [22.04165296584446]
  Sparse High-Exclusive, Low-level-Shared feature representation (SHELS)を導入する。 SHELSは、ハイレベルな特徴の排他的セットと、必須で共有された低レベルな特徴の学習を促進する。 新規性検出にSHELSを用いることで,最先端のOOD検出法よりも統計的に有意な改善が得られた。
  論文  参考訳（メタデータ） (2022-06-28T03:09:55Z)
• FOSTER: Feature Boosting and Compression for Class-Incremental Learning [52.603520403933985]
  ディープニューラルネットワークは、新しいカテゴリーを学ぶ際に破滅的な忘れ方に悩まされる。 本稿では,新たなカテゴリを適応的に学習するためのモデルとして,新しい2段階学習パラダイムFOSTERを提案する。
  論文  参考訳（メタデータ） (2022-04-10T11:38:33Z)
• Learning Bayesian Sparse Networks with Full Experience Replay for Continual Learning [54.7584721943286]
  継続学習(CL)手法は、機械学習モデルが、以前にマスターされたタスクを壊滅的に忘れることなく、新しいタスクを学習できるようにすることを目的としている。 既存のCLアプローチは、しばしば、事前に確認されたサンプルのバッファを保持し、知識蒸留を行い、あるいはこの目標に向けて正規化技術を使用する。 我々は,現在および過去のタスクを任意の段階で学習するために,スパースニューロンのみを活性化し,選択することを提案する。
  論文  参考訳（メタデータ） (2022-02-21T13:25:03Z)
• Towards Generalized and Incremental Few-Shot Object Detection [9.033533653482529]
  新規なインクリメンタルFew-Shot Object Detection (iFSOD) 法を提案する。 具体的には、ベースクラスと新規クラスの特徴表現を分離するために、DBF(Double-Branch Framework)を提案する。 我々はPascal VOCとMS-COCOの両方で実験を行い、この手法がインクリメンタル・ショット検出の問題を効果的に解決できることを実証した。
  論文  参考訳（メタデータ） (2021-09-23T12:38:09Z)
• Incrementally Zero-Shot Detection by an Extreme Value Analyzer [0.0]
  本稿では,実世界の物体検出におけるゼロショット学習とクラスインクリメンタル学習の両方のための新しい戦略を提案する。 本稿では,新しい極値解析器を提案し,古い見え方,新しい見え方,見えないクラスからオブジェクトを同時に検出する。 実験では, 対象物の検出におけるモデルの有効性を実証し, Pascal VOCおよびMSCOCOデータセット上での代替モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-23T15:06:30Z)
• SID: Incremental Learning for Anchor-Free Object Detection via Selective and Inter-Related Distillation [16.281712605385316]
  増分学習は、ストリーミングデータから新しいタスクを継続的に学習するモデルを必要とする。 新しいタスクでよく訓練されたディープニューラルネットワークの従来の微調整は、古いタスクのパフォーマンスを劇的に低下させる。 SID(Selective and Inter-related Distillation)と呼ばれる新しい漸進的学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-12-31T04:12:06Z)
• 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)

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。