論文の概要: Example-Based Object Detection

• arxiv url: http://arxiv.org/abs/2605.04501v1
• Date: Wed, 06 May 2026 05:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.653525
• Title: Example-Based Object Detection
• Title（参考訳）: 実例に基づく物体検出
• Authors: ZhiXin Sun,
• Abstract要約: 本稿では,プロンプトベース検出器(SAM3)とロバストな特徴マッチングモジュール(DINOv3とLightGlue)を統合したEBOD(Example-Based Object Detection)を提案する。 提案手法は, 過去の誤り例を利用して, 偽陽性と偽陰性の繰り返し発生を効果的に抑制する。
• 参考スコア（独自算出の注目度）: 4.484170173286332
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In recent years, object detection has achieved significant progress, especially in the field of open-vocabulary object detection. Unlike traditional methods that rely on predefined categories, open-vocabulary approaches can detect arbitrary objects based on human-provided prompts. With the advancement of prompt-based detection techniques, models such as SAM3 can even outperform some category-specific detectors trained on particular datasets without requiring additional training on those datasets. However, despite these advancements, false positives and false negatives still occur. In practical engineering applications, persistent misdetections or missed detections of the same object are unacceptable. Yet retraining the model every time such errors occur incurs substantial costs in terms of human effort, computational resources, and time. Therefore, how to leverage existing false positive and false negative samples to prevent such errors from recurring remains a highly challenging and urgent problem. To address this issue, we propose EBOD (Example-Based Object Detection), which integrates a prompt-based detector (SAM3) with robust feature matching modules (DINOv3 and LightGlue). The proposed framework effectively suppresses the repeated occurrence of false positives and false negatives by leveraging previous error examples, without requiring additional model retraining. Code is available at https://github.com/sunzx97/examples_based_object_detection.
• Abstract（参考訳）: 近年、オブジェクト検出は特にオープン語彙オブジェクト検出の分野で大きな進歩を遂げている。 定義済みのカテゴリに依存する従来の方法とは異なり、オープンボキャブラリアプローチは、人間が提供したプロンプトに基づいて任意のオブジェクトを検出することができる。 プロンプトベースの検出技術の進歩により、SAM3のようなモデルは、特定のデータセットでトレーニングされたカテゴリ固有の検出器を、これらのデータセットで追加のトレーニングを必要とせずに上回ることができる。 しかし、これらの進歩にもかかわらず、偽陽性と偽陰性は依然として発生している。 実用工学の応用では、同一物体の持続的誤検出や誤検出は受け入れられない。 しかし、そのようなエラーが発生するたびにモデルを再訓練することは、人的労力、計算資源、時間といった面でかなりのコストを発生させる。 したがって、そのような誤りの再発を防ぐために、既存の偽陽性および偽陰性サンプルをどのように活用するかは、非常に困難で緊急の問題である。 この問題に対処するため,EBOD(Example-Based Object Detection)を提案する。これはプロンプトベース検出器(SAM3)とロバストな特徴マッチングモジュール(DINOv3とLightGlue)を統合している。 提案手法は, モデル再学習を必要とせず, 過去の誤り例を活用することにより, 偽陽性と偽陰性の繰り返し発生を効果的に抑制する。 コードはhttps://github.com/sunzx97/examples_based_object_detectionで公開されている。

関連論文リスト

• Boost UAV-based Ojbect Detection via Scale-Invariant Feature Disentanglement and Adversarial Learning [18.11107031800982]
  本稿では,スケール不変の特徴を学習することで,単段階推論の精度を向上させることを提案する。 提案手法は,モデル精度を効果的に向上し,2つのデータセット上での最先端(SoTA)性能を実現する。
  論文  参考訳（メタデータ） (2024-05-24T11:40:22Z)
• Incremental Object-Based Novelty Detection with Feedback Loop [18.453867533201308]
  オブジェクトベースのノベルティ検出(ND)は、トレーニング中に見られるクラスに属さない未知のオブジェクトを特定することを目的としている。 従来のNDアプローチでは、事前訓練されたオブジェクト検出出力の1回のオフラインポスト処理に重点を置いていた。 本研究では,予測された出力に対して人間のフィードバックを要求できることを前提として,オブジェクトベースのND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） (2023-11-15T14:46:20Z)
• Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for Autonomous Driving [91.39625612027386]
  我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。 具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。 この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T07:11:36Z)
• Are Pretrained Transformers Robust in Intent Classification? A Missing Ingredient in Evaluation of Out-of-Scope Intent Detection [93.40525251094071]
  まず、少数ショットの意図認識タスクにおいて、ドメイン内スコープ外検出の重要性を指摘する。 次に、ドメイン内だがスコープ外(ID-OOS)であるサンプルに対して、事前訓練したTransformerベースのモデルの脆弱性を説明する。
  論文  参考訳（メタデータ） (2021-06-08T17:51:12Z)
• Generalized Few-Shot Object Detection without Forgetting [17.719042946397487]
  本稿では,単純だが有効であるR-CNN(Retentive R-CNN)を提案する。 Bias-Balanced RPN は、事前訓練された RPN と Re-detector からなり、過去の知識を忘れずに、ほとんどショットのクラスオブジェクトを見つける。 我々のアプローチは、長年望まれていなかった学習者がオブジェクト検出で利用できることを示した。
  論文  参考訳（メタデータ） (2021-05-20T03:25:29Z)
• Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
  この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。 我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
  論文  参考訳（メタデータ） (2020-07-07T18:40:19Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)
• Frustratingly Simple Few-Shot Object Detection [98.42824677627581]
  希少なクラスにおける既存検出器の最後の層のみを微調整することは、数発の物体検出タスクに不可欠である。 このような単純なアプローチは、現在のベンチマークで約220ポイントのメタ学習方法より優れている。
  論文  参考訳（メタデータ） (2020-03-16T00:29:14Z)
• Incremental Few-Shot Object Detection [96.02543873402813]
  OpeN-ended Centre nEtは、いくつかの例でクラスオブジェクトの検出を漸進的に学習する検出器である。 ONCEはインクリメンタルな学習パラダイムを十分に尊重しており、新しいクラス登録では、数発のトレーニングサンプルを1回だけフォワードパスするだけでよい。
  論文  参考訳（メタデータ） (2020-03-10T12:56:59Z)

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。