論文の概要: Incremental Object Detection with Prompt-based Methods
- arxiv url: http://arxiv.org/abs/2508.14599v1
- Date: Wed, 20 Aug 2025 10:34:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-21 16:52:41.4259
- Title: Incremental Object Detection with Prompt-based Methods
- Title（参考訳）: プロンプト法によるインクリメンタル物体検出
- Authors: Matthias Neuwirth-Trapp, Maarten Bieshaar, Danda Pani Paudel, Luc Van Gool,
- Abstract要約: 視覚的プロンプトに基づく手法は、画像分類におけるインクリメンタルラーニング(IL)への関心が高まっている。
このような手法をインクリメンタルオブジェクト検出(IOD)に適用する以前の研究は、その一般化性は明らかになっていない。
本稿では,複雑なドメイン・インクリメンタル・ラーニング・セッティングの下で,3種類のプロンプトベースの手法を解析する。
- 参考スコア（独自算出の注目度）: 56.4476369379284
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Visual prompt-based methods have seen growing interest in incremental learning (IL) for image classification. These approaches learn additional embedding vectors while keeping the model frozen, making them efficient to train. However, no prior work has applied such methods to incremental object detection (IOD), leaving their generalizability unclear. In this paper, we analyze three different prompt-based methods under a complex domain-incremental learning setting. We additionally provide a wide range of reference baselines for comparison. Empirically, we show that the prompt-based approaches we tested underperform in this setting. However, a strong yet practical method, combining visual prompts with replaying a small portion of previous data, achieves the best results. Together with additional experiments on prompt length and initialization, our findings offer valuable insights for advancing prompt-based IL in IOD.
- Abstract（参考訳）: 視覚的プロンプトに基づく手法は、画像分類におけるインクリメンタルラーニング(IL)への関心が高まっている。
これらのアプローチは、モデルを凍結し続けながら追加の埋め込みベクトルを学び、訓練を効率化する。
しかし、そのような手法をインクリメンタルオブジェクト検出(IOD)に適用する以前の研究は、その一般化性は明らかになっていない。
本稿では,複雑なドメイン・インクリメンタル・ラーニング・セッティングの下で,3種類のプロンプトベースの手法を解析する。
さらに、比較のための幅広い基準ベースラインも提供します。
経験的に、我々がテストしたプロンプトベースのアプローチは、この設定では性能が低かった。
しかし、視覚的プロンプトと一部の前者のデータの再生を組み合わせた強力な実用的手法は、最良の結果が得られる。
IODにおけるプロンプト長と初期化に関する追加実験と合わせて,IODにおけるプロンプトベースILの進展に関する貴重な知見を提供する。
関連論文リスト
- Achieving More with Less: Additive Prompt Tuning for Rehearsal-Free Class-Incremental Learning [76.32953653161417]
クラス増分学習は、モデルが学習したクラスの知識を保持しながら、新しいクラスを段階的に学習することを可能にする。
この分野での最近の進歩はパラメータ効率のよい微調整技術へと移行している。
本稿では,現在のアプローチの限界に対処する新しいプロンプトベースのアプローチを提案する。
論文 参考訳（メタデータ） (2025-03-11T02:27:37Z) - DST-Det: Simple Dynamic Self-Training for Open-Vocabulary Object Detection [72.25697820290502]
この研究は、ゼロショット分類によって潜在的に新しいクラスを特定するための単純かつ効率的な戦略を導入する。
このアプローチは、アノテーションやデータセット、再学習を必要とせずに、新しいクラスのリコールと精度を高めるセルフトレーニング戦略として言及する。
LVIS、V3Det、COCOを含む3つのデータセットに対する実証的な評価は、ベースラインのパフォーマンスを大幅に改善したことを示している。
論文 参考訳（メタデータ） (2023-10-02T17:52:24Z) - Exploring Representation-Level Augmentation for Code Search [50.94201167562845]
我々は、データ処理やトレーニングを必要としない表現レベルでデータ(コードとクエリの両方)を増強する拡張手法について検討する。
大規模公開データセット上で,最先端のコード検索モデルを用いた表現レベル向上手法を実験的に評価した。
論文 参考訳（メタデータ） (2022-10-21T22:47:37Z) - Fusing Local Similarities for Retrieval-based 3D Orientation Estimation
of Unseen Objects [70.49392581592089]
我々は,モノクロ画像から未確認物体の3次元配向を推定する作業に取り組む。
我々は検索ベースの戦略に従い、ネットワークがオブジェクト固有の特徴を学習するのを防ぐ。
また,LineMOD,LineMOD-Occluded,T-LESSのデータセットを用いた実験により,本手法が従来の手法よりもはるかに優れた一般化をもたらすことが示された。
論文 参考訳（メタデータ） (2022-03-16T08:53:00Z) - A Survey on Contrastive Self-supervised Learning [0.0]
自己教師付き学習は、大規模なデータセットのアノテートコストを回避する能力によって人気を集めている。
コントラスト学習は近年,コンピュータビジョン,自然言語処理(NLP)などの分野において,自己指導型学習手法の主流となっている。
本稿では, コントラスト的アプローチに従う自己教師型手法について, 広範囲にわたるレビューを行う。
論文 参考訳（メタデータ） (2020-10-31T21:05:04Z)
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。