論文の概要: SFUOD: Source-Free Unknown Object Detection

• arxiv url: http://arxiv.org/abs/2507.17373v1
• Date: Wed, 23 Jul 2025 10:16:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.950846
• Title: SFUOD: Source-Free Unknown Object Detection
• Title（参考訳）: SFUOD: ソースのない未知のオブジェクト検出
• Authors: Keon-Hee Park, Seun-An Choe, Gyeong-Moon Park,
• Abstract要約: ソースフリーオブジェクト検出は、ラベル付きソースデータにアクセスすることなく、ソースドメイン上で事前訓練された検出器をラベル付きターゲットドメインに適応させる。 我々は、未知のオブジェクトを認識できるだけでなく、未定義のオブジェクトを未知のオブジェクトとして検出できる新しいシナリオである Source-Free Unknown Object Detection (SFUOD) を提案する。
• 参考スコア（独自算出の注目度）: 5.182014186927255
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Source-free object detection adapts a detector pre-trained on a source domain to an unlabeled target domain without requiring access to labeled source data. While this setting is practical as it eliminates the need for the source dataset during domain adaptation, it operates under the restrictive assumption that only pre-defined objects from the source domain exist in the target domain. This closed-set setting prevents the detector from detecting undefined objects. To ease this assumption, we propose Source-Free Unknown Object Detection (SFUOD), a novel scenario which enables the detector to not only recognize known objects but also detect undefined objects as unknown objects. To this end, we propose CollaPAUL (Collaborative tuning and Principal Axis-based Unknown Labeling), a novel framework for SFUOD. Collaborative tuning enhances knowledge adaptation by integrating target-dependent knowledge from the auxiliary encoder with source-dependent knowledge from the pre-trained detector through a cross-domain attention mechanism. Additionally, principal axes-based unknown labeling assigns pseudo-labels to unknown objects by estimating objectness via principal axes projection and confidence scores from model predictions. The proposed CollaPAUL achieves state-of-the-art performances on SFUOD benchmarks, and extensive experiments validate its effectiveness.
• Abstract（参考訳）: ソースフリーオブジェクト検出は、ラベル付きソースデータにアクセスすることなく、ソースドメイン上で事前訓練された検出器をラベル付きターゲットドメインに適応させる。 この設定は、ドメイン適応時のソースデータセットの必要性を排除するため実用的だが、ソースドメインから事前に定義されたオブジェクトだけがターゲットドメインに存在するという制限的な仮定の下で機能する。 このクローズドセット設定は、検出器が未定義の物体を検出するのを防ぐ。 この仮定を緩和するために、未知のオブジェクトを識別するだけでなく、未知のオブジェクトとして未定義のオブジェクトを検出できる新しいシナリオである Source-Free Unknown Object Detection (SFUOD) を提案する。 そこで我々は,SFUODの新しいフレームワークであるCollabPAUL (Collaborative tuning and principal Axis-based Unknown Labeling)を提案する。 協調的チューニングは、補助エンコーダからの目標依存知識と、事前学習された検出器からの情報源依存知識とをクロスドメインアテンション機構を介して統合することにより、知識適応を促進する。 さらに、プリンシパル軸に基づく未知のラベル付けは、モデル予測から主軸投影と信頼スコアを通して対象性を推定することにより、未知のオブジェクトに擬似ラベルを割り当てる。 提案したCollaPAULは、SFUODベンチマークの最先端性能を実現し、その有効性を検証する。

関連論文リスト

• Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
  制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。 ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。 BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
  論文  参考訳（メタデータ） (2024-07-10T18:00:54Z)
• Unsupervised Recognition of Unknown Objects for Open-World Object Detection [28.787586991713535]
  Open-World Object Detection (OWOD) はオブジェクト検出問題を現実的でダイナミックなシナリオに拡張する。 現在のOWODモデル(OREやOW-DETRなど)は、高い客観性スコアを持つ擬似ラベル領域に注目する。 本稿では,未知の物体を認識するために,教師なしの識別モデルを学ぶ新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T08:17:29Z)
• SF-FSDA: Source-Free Few-Shot Domain Adaptive Object Detection with Efficient Labeled Data Factory [94.11898696478683]
  ドメイン適応オブジェクト検出は、ラベル付きソースドメインから学んだ知識を活用し、ラベルなしのターゲットドメインのパフォーマンスを改善することを目的としています。 本研究では,SF-FSDA という名称のソースフリーおよび少数ショット条件下で,より実用的で困難な領域適応型オブジェクト検出問題を提案し,検討する。
  論文  参考訳（メタデータ） (2023-06-07T12:34:55Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Adversarial Alignment for Source Free Object Detection [24.99432954279032]
  Source-free Object Detection (SFOD) は、ラベル豊富なソースドメインで事前訓練された検出器を、ソースデータを見ることなくラベルのないターゲットドメインに転送することを目的としている。 対象ドメインをソース類似部とソース異部に分割し,敵対学習により特徴空間に配置する。 提案手法は比較したSFOD法より一貫して優れる。
  論文  参考訳（メタデータ） (2023-01-11T02:08:37Z)
• Uncertainty-Induced Transferability Representation for Source-Free Unsupervised Domain Adaptation [15.76962579279531]
  ソースフリーな教師なしドメイン適応(SFUDA)は、ラベルのないターゲットデータと、十分に訓練されたソースドメインモデルの知識を用いて、ターゲットドメインモデルを学習することを目的としている。 本稿では,不確実性に起因したトランスファービリティ表現(UTR)を提案し,その不確実性を利用してソースエンコーダのチャネルワイドトランスファービリティを解析する。
  論文  参考訳（メタデータ） (2022-08-30T04:54:53Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Uncertainty-Aware Model Adaptation for Unsupervised Cross-Domain Object Detection [12.807987076435928]
  この研究は、教師なしのクロスドメインオブジェクト検出問題に取り組む。 これは、事前訓練された物体検出器をラベルなしで新しいターゲットドメインに一般化することを目的としている。
  論文  参考訳（メタデータ） (2021-08-28T09:37:18Z)
• A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data [69.091485888121]
  教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。 ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:42:35Z)

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。