論文の概要: Hierarchical Neural Collapse Detection Transformer for Class Incremental Object Detection

• arxiv url: http://arxiv.org/abs/2506.08562v1
• Date: Tue, 10 Jun 2025 08:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:41.953823
• Title: Hierarchical Neural Collapse Detection Transformer for Class Incremental Object Detection
• Title（参考訳）: クラスインクリメンタル物体検出のための階層型神経崩壊検出変換器
• Authors: Duc Thanh Pham, Hong Dang Nguyen, Nhat Minh Nguyen Quoc, Linh Ngo Van, Sang Dinh Viet, Duc Anh Nguyen,
• Abstract要約: 新しい物体は現実世界にしばしば現れ、継続的に学習するために検出モデルを必要とする。 本稿では,階層型ニューラルコラプス検出変換器(Hier-DETR: Hierarchical Neural Collapse Detection Transformer)を提案する。
• 参考スコア（独自算出の注目度）: 3.842866599603453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, object detection models have witnessed notable performance improvements, particularly with transformer-based models. However, new objects frequently appear in the real world, requiring detection models to continually learn without suffering from catastrophic forgetting. Although Incremental Object Detection (IOD) has emerged to address this challenge, these existing models are still not practical due to their limited performance and prolonged inference time. In this paper, we introduce a novel framework for IOD, called Hier-DETR: Hierarchical Neural Collapse Detection Transformer, ensuring both efficiency and competitive performance by leveraging Neural Collapse for imbalance dataset and Hierarchical relation of classes' labels.
• Abstract（参考訳）: 近年、オブジェクト検出モデルは、特にトランスフォーマーベースのモデルにおいて、顕著なパフォーマンス改善を目撃している。 しかし、新しい物体は現実世界にしばしば現れ、破滅的な忘れ物に悩まされることなく、検出モデルが継続的に学習する必要がある。 インクリメンタルオブジェクト検出(IOD)はこの課題に対処するために登場したが、既存のモデルは性能が限られ、推論時間が長くなるため、まだ実用的ではない。 本稿では,階層型ニューラル崩壊検出変換器(Hier-DETR: Hierarchical Neural Collapse Detection Transformer)と呼ばれる新しいIODフレームワークを提案する。

関連論文リスト

• Retrieval Augmented Anomaly Detection (RAAD): Nimble Model Adjustment Without Retraining [3.037546128667634]
  Retrieval Augmented Anomaly Detectionは、Retrieval Augmented Generationからインスピレーションを得た新しい手法である。 人間の注釈付きサンプルはベクトルストアに送られ、モデル推論のために、非常に次の処理バッチでモデル出力を変更することができる。
  論文  参考訳（メタデータ） (2025-02-26T20:17:16Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• IOR: Inversed Objects Replay for Incremental Object Detection [22.415936450558334]
  多くのIODメソッドは、ラベル付けされていない古いクラスオブジェクトがインクリメンタルデータでラベル付けされた新しいクラスオブジェクトと共起する可能性があるという仮定に依存している。 本稿では, 従来の世代ベースIODは, 追加のトレーニングと蓄積を必要とする生成モデルの使用と, 生成サンプルの過剰生産の両方において, 冗長性に悩まされていることを論じる。 生成したサンプル中のオブジェクトを再利用し、冗長な世代を減らし、拡張再生を提案する。
  論文  参考訳（メタデータ） (2024-06-07T10:54:40Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• 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)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• Multi-View Correlation Distillation for Incremental Object Detection [12.536640582318949]
  我々は,新しいtextbfMulti-textbfView textbfCorrelation textbfDistillation (MVCD) を用いたインクリメンタルオブジェクト検出法を提案する。
  論文  参考訳（メタデータ） (2021-07-05T04:36:33Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)

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。