論文の概要: Template-based Object Detection Using a Foundation Model

• arxiv url: http://arxiv.org/abs/2603.19773v1
• Date: Fri, 20 Mar 2026 09:04:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.065973
• Title: Template-based Object Detection Using a Foundation Model
• Title（参考訳）: 基礎モデルを用いたテンプレートベース物体検出
• Authors: Valentin Braeutigam, Matthias Stock, Bernhard Egger,
• Abstract要約: データの変化が少ないユースケースに重点を置いていますが、トレーニングデータの生成やトレーニングの不要な要件があります。 提案手法では, セグメンテーション基礎モデルのセグメントを用いて, 単純な特徴に基づく分類法と組み合わせる。 これにより、検索対象のオブジェクトや設計を変更する際の時間とコストが削減される。
• 参考スコア（独自算出の注目度）: 4.395926857534136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most currently used object detection methods are learning-based, and can detect objects under varying appearances. Those models require training and a training dataset. We focus on use cases with less data variation, but the requirement of being free of generation of training data and training. Such a setup is for example desired in automatic testing of graphical interfaces during software development, especially for continuous integration testing. In our approach, we use segments from segmentation foundation models and combine them with a simple feature-based classification method. This saves time and cost when changing the object to be searched or its design, as nothing has to be retrained and no dataset has to be created. We evaluate our method on the task of detecting and classifying icons in navigation maps, which is used to simplify and automate the testing of user interfaces in automotive industry. Our methods achieve results almost on par with learning-based object detection methods like YOLO, without the need for training.
• Abstract（参考訳）: 現在使われているほとんどのオブジェクト検出方法は学習ベースであり、様々な外観でオブジェクトを検出できる。 これらのモデルにはトレーニングとトレーニングデータセットが必要です。 データの変化が少ないユースケースに重点を置いていますが、トレーニングデータの生成やトレーニングの不要な要件があります。 このようなセットアップは、例えば、ソフトウェア開発、特に継続的インテグレーションテストにおいて、グラフィカルインターフェースの自動テストにおいて望まれます。 提案手法では, セグメンテーション基礎モデルのセグメントを用いて, 単純な特徴に基づく分類法と組み合わせる。 これにより、検索対象のオブジェクトや設計を変更する際の時間とコストが削減される。 自動車産業におけるユーザインタフェースの簡易化と自動化を目的としたナビゲーションマップにおけるアイコンの検出・分類作業について,本手法の評価を行った。 本手法は, YOLOのような学習に基づくオブジェクト検出手法とほぼ同等の精度で, トレーニングを必要とせず, 結果が得られた。

関連論文リスト

• Learning Embeddings with Centroid Triplet Loss for Object Identification in Robotic Grasping [14.958823096408175]
  基礎モデルはディープラーニングとコンピュータビジョンの強力なトレンドだ。 本稿では,そのような物体識別モデルの訓練に焦点をあてる。 このようなモデルをトレーニングするための主要な解決策は、遠心三重項損失(CTL)である。
  論文  参考訳（メタデータ） (2024-04-09T13:01:26Z)
• Transfer learning with generative models for object detection on limited datasets [1.4999444543328293]
  海洋生物学などいくつかの分野では、各物体の周囲に有界箱を正しくラベル付けする必要がある。 本稿では,一般的なシナリオに有効な伝達学習フレームワークを提案する。 我々の研究結果は、さまざまな分野における機械学習アプリケーションのための、新しい生成AIベースのプロトコルの道を開くものである。
  論文  参考訳（メタデータ） (2024-02-09T21:17:31Z)
• Open World Object Detection in the Era of Foundation Models [53.683963161370585]
  5つの実世界のアプリケーション駆動データセットを含む新しいベンチマークを導入する。 本稿では,オープンワールドのための新しいオブジェクト検出モデル(FOMO)を提案する。
  論文  参考訳（メタデータ） (2023-12-10T03:56:06Z)
• Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
  最近のデータプライバシ法は、機械学習への関心を喚起している。 課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。 我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。 トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-12-07T07:17:24Z)
• ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
  本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。 自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
  論文  参考訳（メタデータ） (2022-07-27T07:46:23Z)
• Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
  Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。 本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:46:41Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
  インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。 境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。 実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
  論文  参考訳（メタデータ） (2021-02-16T17:58:57Z)
• Class-agnostic Object Detection [16.97782147401037]
  本稿では,オブジェクトのクラスに関係なくオブジェクトを検出することに焦点を当てた新しい問題として,クラスに依存しないオブジェクト検出を提案する。 具体的には、イメージ内のすべてのオブジェクトのバウンディングボックスを予測することであり、オブジェクトクラスではない。 本稿では,この領域における今後の研究を進めるために,クラス非依存検出器のベンチマークのためのトレーニングおよび評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2020-11-28T19:22:38Z)

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。