Fugu-MT 論文翻訳(概要): Fine-Grained Zero-Shot Object Detection

論文の概要: Fine-Grained Zero-Shot Object Detection

arxiv url: http://arxiv.org/abs/2507.10358v1
Date: Mon, 14 Jul 2025 15:00:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-15 18:48:25.254955
Title: Fine-Grained Zero-Shot Object Detection
Title（参考訳）: ファイングラインドゼロショット物体検出
Authors: Hongxu Ma, Chenbo Zhang, Lu Zhang, Jiaogen Zhou, Jihong Guan, Shuigeng Zhou,
Abstract要約: Zero-shot Object Detection (ZSD)は、セマンティック記述を活用して、目に見えないクラスと見えないクラスのオブジェクトをローカライズし、認識することを目的としている。既存のZSD処理は主に、クラスが視覚的にかなり異なる粗いオブジェクト検出である。本稿では、FG-ZSD(Fin-Grained Zero-Shot Object Detection)と呼ばれる新しい問題を提案、解決する。
参考スコア（独自算出の注目度）: 26.23374306473445
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Zero-shot object detection (ZSD) aims to leverage semantic descriptions to localize and recognize objects of both seen and unseen classes. Existing ZSD works are mainly coarse-grained object detection, where the classes are visually quite different, thus are relatively easy to distinguish. However, in real life we often have to face fine-grained object detection scenarios, where the classes are too similar to be easily distinguished. For example, detecting different kinds of birds, fishes, and flowers. In this paper, we propose and solve a new problem called Fine-Grained Zero-Shot Object Detection (FG-ZSD for short), which aims to detect objects of different classes with minute differences in details under the ZSD paradigm. We develop an effective method called MSHC for the FG-ZSD task, which is based on an improved two-stage detector and employs a multi-level semantics-aware embedding alignment loss, ensuring tight coupling between the visual and semantic spaces. Considering that existing ZSD datasets are not suitable for the new FG-ZSD task, we build the first FG-ZSD benchmark dataset FGZSD-Birds, which contains 148,820 images falling into 36 orders, 140 families, 579 genera and 1432 species. Extensive experiments on FGZSD-Birds show that our method outperforms existing ZSD models.
Abstract（参考訳）: Zero-shot Object Detection (ZSD)は、セマンティック記述を活用して、目に見えないクラスと見えないクラスのオブジェクトをローカライズし、認識することを目的としている。既存のZSD処理は主に粗いオブジェクト検出であり、クラスは視覚的にかなり異なるため、区別が比較的容易である。しかし、実生活では、クラスがあまりによく似ていて容易に区別できないような、きめ細かいオブジェクト検出シナリオに直面することがしばしばあります。例えば、異なる種類の鳥、魚、花を検知する。本稿では,ファイングラインドゼロショットオブジェクト検出 (FG-ZSD) と呼ばれる,ZSDパラダイムの下での細部の違いで異なるクラスのオブジェクトを検出することを目的とした,新しい問題を提案する。我々は,FG-ZSDタスクのためのMSHCと呼ばれる効果的な手法を開発した。これは改良された2段階検出器に基づいて,多レベルセマンティックスを意識したアライメント損失を採用し,視覚空間とセマンティック空間の密結合を確実にする。既存のZSDデータセットは、新しいFG-ZSDタスクには適さないので、最初のFG-ZSDベンチマークデータセットであるFGZSD-Birdsを構築します。 FGZSD-Birdsの大規模な実験により,本手法が既存のZSDモデルより優れていることが示された。

関連論文リスト

ZeroSCD: Zero-Shot Street Scene Change Detection [2.3020018305241337]
Scene Change Detectionは、コンピュータビジョンとロボティクスにおいて難しいタスクである。従来の変更検出方法は、これらのイメージペアを入力として、変更を見積もるトレーニングモデルに依存しています。我々は,ゼロショットシーン変化検出フレームワークであるZeroSCDを提案する。
論文参考訳（メタデータ） (2024-09-23T17:53:44Z)
Zero-Shot Aerial Object Detection with Visual Description Regularization [15.14310599469107]
本稿では,視覚的記述規則化(DescReg)と呼ばれる空中物体検出のためのゼロショット手法を提案する。航空物体の弱い意味的・視覚的相関を同定し,その視覚的外観を事前に記述した上で,課題に対処することを目的とする。我々は、DIOR、xView、DOTAを含む3つの挑戦的空中物体検出データセットを用いて、広範囲にわたる実験を行った。
論文参考訳（メタデータ） (2024-02-28T10:58:01Z)
Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector [72.05791402494727]
本稿では,CD-FSODを用いたクロスドメイン小ショット検出法について検討する。最小限のラベル付き例で、新しいドメインのための正確なオブジェクト検出器を開発することを目的としている。
論文参考訳（メタデータ） (2024-02-05T15:25:32Z)
Meta-ZSDETR: Zero-shot DETR with Meta-learning [29.58827207505671]
本稿では,DeTRとメタラーニングを組み合わせてゼロショットオブジェクト検出を行うMeta-ZSDETRを提案する。このモデルは、回帰ヘッドを含むメタコントラスト学習で最適化され、クラス固有のボックスの座標を生成する。実験の結果,本手法は既存のZSD法よりも高い性能を示した。
論文参考訳（メタデータ） (2023-08-18T13:17:07Z)
SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文参考訳（メタデータ） (2023-04-10T11:10:42Z)
Learning Common Rationale to Improve Self-Supervised Representation for Fine-Grained Visual Recognition Problems [61.11799513362704]
我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。 SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
論文参考訳（メタデータ） (2023-03-03T02:07:40Z)
SupeRGB-D: Zero-shot Instance Segmentation in Cluttered Indoor Environments [67.34330257205525]
本研究では,RGB-Dデータからゼロショットのインスタンスセグメンテーション(ZSIS)を探索し,意味的カテゴリに依存しない方法で未知のオブジェクトを識別する。本稿では,注釈付きオブジェクトを用いて画素のオブジェクト性」を学習し,乱雑な屋内環境における未知のオブジェクトカテゴリに一般化する手法を提案する。
論文参考訳（メタデータ） (2022-12-22T17:59:48Z)
Resolving Semantic Confusions for Improved Zero-Shot Detection [6.72910827751713]
本稿では,クラス間の相違度を認識する三重項損失を考慮した生成モデルを提案する。クラスの生成した視覚的サンプルが、自身のセマンティクスに高度に対応していることを保証するために、サイクリック一貫性損失も実施される。
論文参考訳（メタデータ） (2022-12-12T18:11:48Z)
A Survey of Deep Learning for Low-Shot Object Detection [44.20187548691372]
Low-Shot Object Detection (LSOD)は、アノテーション付きのサンプルからオブジェクトを検出する新しい研究トピックである。本調査ではLSOD法について概観する。
論文参考訳（メタデータ） (2021-12-06T06:56:00Z)
Semantics-Guided Contrastive Network for Zero-Shot Object detection [67.61512036994458]
ゼロショット物体検出(ZSD)はコンピュータビジョンにおける新しい課題である。ゼロショット検出の領域にコントラスト学習機構をもたらすフレームワークであるContrastZSDを開発した。本手法は,ZSDタスクと一般化ZSDタスクの両方において,従来の最先端技術よりも優れていた。
論文参考訳（メタデータ） (2021-09-04T03:32:15Z)
Synthesizing the Unseen for Zero-shot Object Detection [72.38031440014463]
そこで本研究では,視覚領域における視覚的特徴と視覚的対象の両方を学習するために,視覚的特徴を合成することを提案する。クラスセマンティックスを用いた新しい生成モデルを用いて特徴を生成するだけでなく,特徴を識別的に分離する。
論文参考訳（メタデータ） (2020-10-19T12:36:11Z)
Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。