論文の概要: Decoupling Classifier for Boosting Few-shot Object Detection and Instance Segmentation

• arxiv url: http://arxiv.org/abs/2505.14239v1
• Date: Tue, 20 May 2025 11:47:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.145968
• Title: Decoupling Classifier for Boosting Few-shot Object Detection and Instance Segmentation
• Title（参考訳）: ファウショットオブジェクト検出とインスタンスセグメンテーションの強化のためのデカップリング分類器
• Authors: Bin-Bin Gao, Xiaochen Chen, Zhongyi Huang, Congchong Nie, Jun Liu, Jinxiang Lai, Guannan Jiang, Xi Wang, Chengjie Wang,
• Abstract要約: 本稿では、いくつかのラベル付きインスタンスを持つ新しいクラスに迅速に適応するモデルを必要とする、FSOD( few-shot object detection)とFSIS( instance segmentation)に焦点を当てる。 我々の分析は、ほとんどのFSODモデルやFSISモデルの標準分類ヘッドは、バイアス分類を緩和するために分離する必要があることを示唆している。 このようにして、モデルはノイズ負のサンプルの効果を緩和しながら、新しいクラスを効果的に学習することができる。
• 参考スコア（独自算出の注目度）: 33.738757197593564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focus on few-shot object detection~(FSOD) and instance segmentation~(FSIS), which requires a model to quickly adapt to novel classes with a few labeled instances. The existing methods severely suffer from bias classification because of the missing label issue which naturally exists in an instance-level few-shot scenario and is first formally proposed by us. Our analysis suggests that the standard classification head of most FSOD or FSIS models needs to be decoupled to mitigate the bias classification. Therefore, we propose an embarrassingly simple but effective method that decouples the standard classifier into two heads. Then, these two individual heads are capable of independently addressing clear positive samples and noisy negative samples which are caused by the missing label. In this way, the model can effectively learn novel classes while mitigating the effects of noisy negative samples. Without bells and whistles, our model without any additional computation cost and parameters consistently outperforms its baseline and state-of-the-art by a large margin on PASCAL VOC and MS-COCO benchmarks for FSOD and FSIS tasks. The Code is available at https://csgaobb.github.io/Projects/DCFS.
• Abstract（参考訳）: 本稿では、いくつかのラベル付きインスタンスを持つ新しいクラスに迅速に適応するモデルを必要とする、FSODとFSISのインスタンスセグメンテーションに焦点をあてる。 既存の手法は、インスタンスレベルの数ショットのシナリオに自然に存在するラベルの欠如が原因で、バイアス分類に苦しむ。 我々の分析は、ほとんどのFSODモデルやFSISモデルの標準分類ヘッドは、バイアス分類を緩和するために分離する必要があることを示唆している。 そこで本研究では,標準分類器を2つの頭部に分解する,恥ずかしいほど単純だが効果的な手法を提案する。 そして、これらの2つの頭部は、欠落したラベルによって引き起こされる明確な正のサンプルとノイズの多い負のサンプルを独立に処理することができる。 このようにして、モデルはノイズ負のサンプルの効果を緩和しながら、新しいクラスを効果的に学習することができる。 余分な計算コストやパラメータを伴わない我々のモデルは、PASCAL VOCとMS-COCOベンチマークのFSODとFSISタスクにおいて、そのベースラインと最先端を常に上回ります。 コードはhttps://csgaobb.github.io/Projects/DCFSで入手できる。

関連論文リスト

• Generalized Class Discovery in Instance Segmentation [7.400926717561454]
  擬似ラベルに対するコントラスト学習とクラス信頼性基準のためのインスタンス単位温度割当(ITA)手法を提案する。 提案手法は,COCO$_half$ + LVIS と LVIS + Visual Genome の2つの設定で実験を行うことにより評価した。
  論文  参考訳（メタデータ） (2025-02-12T06:26:05Z)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)
• MaskDiff: Modeling Mask Distribution with Diffusion Probabilistic Model for Few-Shot Instance Segmentation [31.648523213206595]
  少数ショットのインスタンスセグメンテーションは、数ショットの学習パラダイムをインスタンスセグメンテーションタスクに拡張する。 従来のアプローチでは、ポイント推定と呼ばれるプロトタイプ学習を通じてその課題に対処しようと試みてきた。 本稿では,二項マスクの条件分布をモデル化したMaskDiffという新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-09T08:24:02Z)
• Label-Noise Learning with Intrinsically Long-Tailed Data [65.41318436799993]
  本稿では,本質的な長期データを用いたラベルノイズ学習のための学習フレームワークを提案する。 具体的には, 2段階の2次元試料選択法(TABASCO)を提案する。
  論文  参考訳（メタデータ） (2022-08-21T07:47:05Z)
• Centrality and Consistency: Two-Stage Clean Samples Identification for Learning with Instance-Dependent Noisy Labels [87.48541631675889]
  本稿では,2段階のクリーンサンプル識別手法を提案する。 まず,クリーンサンプルの早期同定にクラスレベルの特徴クラスタリング手法を用いる。 次に, 基底真理クラス境界に近い残余のクリーンサンプルについて, 一貫性に基づく新しい分類法を提案する。
  論文  参考訳（メタデータ） (2022-07-29T04:54:57Z)
• Self-Adaptive Label Augmentation for Semi-supervised Few-shot Classification [121.63992191386502]
  Few-shotの分類は、ラベル付きサンプルがわずかにあれば、新しいタスクをうまく一般化できるモデルを学ぶことを目的としている。 そこで本研究では,手動で定義した指標を用いて,ラベルのない各サンプルに適切なラベルを割り当てる半教師付き小ショット分類手法を提案する。 SALAの目新しいところは、タスク適応計量であり、エンドツーエンドの方法で異なるタスクに対するメトリックを適応的に学習することができる。
  論文  参考訳（メタデータ） (2022-06-16T13:14:03Z)
• The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
  本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。 主な原因は、オブジェクト提案の不正確な分類である。 そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T12:49:07Z)

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。