論文の概要: Attention-disentangled Uniform Orthogonal Feature Space Optimization for Few-shot Object Detection

• arxiv url: http://arxiv.org/abs/2506.22161v1
• Date: Fri, 27 Jun 2025 12:17:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.195182
• Title: Attention-disentangled Uniform Orthogonal Feature Space Optimization for Few-shot Object Detection
• Title（参考訳）: Few-shot 物体検出のための一方向一様特徴空間のアテンション差最適化
• Authors: Taijin Zhao, Heqian Qiu, Yu Dai, Lanxiao Wang, Fanman Meng, Qingbo Wu, Hongliang Li,
• Abstract要約: Few-shot Object Detection (FSOD) は、新しいクラスのための限られたサンプルを持つオブジェクトを検出することを目的としている。 既存のFSODアプローチは、主にFaster R-CNN検出器上に構築されている。 クラス非依存のオブジェクト性知識をベースクラスから新しいクラスに転送するための一様直交特徴空間(UOFS)最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.748630029722257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot object detection (FSOD) aims to detect objects with limited samples for novel classes, while relying on abundant data for base classes. Existing FSOD approaches, predominantly built on the Faster R-CNN detector, entangle objectness recognition and foreground classification within shared feature spaces. This paradigm inherently establishes class-specific objectness criteria and suffers from unrepresentative novel class samples. To resolve this limitation, we propose a Uniform Orthogonal Feature Space (UOFS) optimization framework. First, UOFS decouples the feature space into two orthogonal components, where magnitude encodes objectness and angle encodes classification. This decoupling enables transferring class-agnostic objectness knowledge from base classes to novel classes. Moreover, implementing the disentanglement requires careful attention to two challenges: (1) Base set images contain unlabeled foreground instances, causing confusion between potential novel class instances and backgrounds. (2) Angular optimization depends exclusively on base class foreground instances, inducing overfitting of angular distributions to base classes. To address these challenges, we propose a Hybrid Background Optimization (HBO) strategy: (1) Constructing a pure background base set by removing unlabeled instances in original images to provide unbiased magnitude-based objectness supervision. (2) Incorporating unlabeled foreground instances in the original base set into angular optimization to enhance distribution uniformity. Additionally, we propose a Spatial-wise Attention Disentanglement and Association (SADA) module to address task conflicts between class-agnostic and class-specific tasks. Experiments demonstrate that our method significantly outperforms existing approaches based on entangled feature spaces.
• Abstract（参考訳）: Few-shot Object Detection (FSOD)は、新しいクラスのための限られたサンプルを持つオブジェクトを検知することを目的としており、ベースクラスのための豊富なデータに依存している。 既存のFSODアプローチは、主にFaster R-CNN検出器上に構築されている。 このパラダイムは本質的にクラス固有のオブジェクト性基準を確立し、表現できない新しいクラスサンプルに悩まされる。 この制限を解決するために,一様直交特徴空間(UOFS)最適化フレームワークを提案する。 まず、UOFSは特徴空間を2つの直交成分に分解する。 この分離により、クラスに依存しないオブジェクト指向の知識をベースクラスから新しいクラスに転送できる。 1) ベースセットイメージにはラベルのない前景のインスタンスが含まれており、潜在的に新規なクラスインスタンスとバックグラウンドの混同を引き起こす。 2) Angular最適化は、基底クラスフォアグラウンドインスタンスにのみ依存し、基底クラスへの角分布のオーバーフィッティングを誘発する。 これらの課題に対処するため,(1)原画像の未ラベルのインスタンスを除去して純粋な背景集合を構築し,不偏等度に基づくオブジェクト性管理を実現するHBO(Hybrid background Optimization)戦略を提案する。 2) 未ラベルのフォアグラウンドインスタンスを元のベースセットに組み込んで角最適化を行い, 分布の均一性を高める。 さらに,クラスに依存しないタスクとクラス固有のタスク間のタスク競合に対処するために,空間的注意障害・アソシエーション(SADA)モジュールを提案する。 提案手法は, 絡み合った特徴空間に基づく既存手法よりも有意に優れていることを示す。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• UIFormer: A Unified Transformer-based Framework for Incremental Few-Shot Object Detection and Instance Segmentation [38.331860053615955]
  本稿では,Transformerアーキテクチャを用いたインクリメンタルな小ショットオブジェクト検出(iFSOD)とインスタンスセグメンテーション(iFSIS)のための新しいフレームワークを提案する。 私たちのゴールは、新しいオブジェクトクラスのいくつかの例しか利用できない状況に対して最適なソリューションを作ることです。
  論文  参考訳（メタデータ） (2024-11-13T12:29:44Z)
• Adaptive Base-class Suppression and Prior Guidance Network for One-Shot Object Detection [9.44806128120871]
  ワンショットオブジェクト検出(OSOD)は、クエリイメージによって指定された所定のカテゴリに対して、すべてのオブジェクトインスタンスを検出することを目的としている。 本稿では,BSPG(Base-class Suppression and Prior Guidance)ネットワークという新しいフレームワークを提案する。 具体的には,ベースクラス予測器を用いて,ベースクラスのオブジェクトを明示的に検出し,ベースクラス抑制モジュールによって適応的に除去する。 事前誘導モジュールは、非パラメトリックな方法で高レベルの特徴の相関を計算し、クラスに依存しない事前マップを生成し、目的の特徴にリッチなセマンティックな手がかりを与え、その後の検出プロセスを導くように設計されている。
  論文  参考訳（メタデータ） (2023-03-24T19:04:30Z)
• DiGeo: Discriminative Geometry-Aware Learning for Generalized Few-Shot Object Detection [39.937724871284665]
  汎用的な少ショットオブジェクト検出は、豊富なアノテーションと限られたトレーニングデータを持つ新しいクラスで、両方のベースクラス上で正確な検出を実現することを目的としている。 既存のアプローチは、ベースクラスのパフォーマンスを犠牲にして、数ショットの一般化を促進する。 クラス間分離とクラス内コンパクト性の幾何学的特徴を学習するための新しいトレーニングフレームワークDiGeoを提案する。
  論文  参考訳（メタデータ） (2023-03-16T22:37:09Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Few-Shot Object Detection via Association and DIscrimination [83.8472428718097]
  AssociationとDIscriminationによるオブジェクト検出は、新しいクラスごとに2つのステップで識別可能な特徴空間を構築している。 Pascal VOCとMS-COCOデータセットの実験では、FADIは新しいSOTAパフォーマンスを実現し、ショット/スプリットのベースラインを+18.7で大幅に改善した。
  論文  参考訳（メタデータ） (2021-11-23T05:04:06Z)
• Aligning Pretraining for Detection via Object-Level Contrastive Learning [57.845286545603415]
  画像レベルのコントラスト表現学習は、伝達学習の汎用モデルとして非常に有効であることが証明されている。 我々は、これは準最適である可能性があり、従って、自己教師付きプレテキストタスクと下流タスクのアライメントを促進する設計原則を提唱する。 Selective Object Contrastive Learning (SoCo) と呼ばれる本手法は,COCO検出における伝達性能の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-04T17:59:52Z)
• Meta Faster R-CNN: Towards Accurate Few-Shot Object Detection with Attentive Feature Alignment [33.446875089255876]
  Few-shot Object Detection (FSOD) は、少数の例でオブジェクトを検出することを目的としている。 本稿では,データ不足ベースクラスから学習したメタ知識を新しいクラスに転送することで,メタラーニングに基づくマイショットオブジェクト検出手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T19:01:27Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T22:58:20Z)

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。