論文の概要: Reference-based Category Discovery: Unsupervised Object Detection with Category Awareness

• arxiv url: http://arxiv.org/abs/2605.04606v1
• Date: Wed, 06 May 2026 07:54:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.711461
• Title: Reference-based Category Discovery: Unsupervised Object Detection with Category Awareness
• Title（参考訳）: 参照に基づくカテゴリー発見:カテゴリー認識による教師なし物体検出
• Abstract要約: 一般的な教師なしの手法は、カテゴリラベルのない偽のボックスを生成する。 これらの制限を克服するために、参照ベースのカテゴリー発見(RefCD)を提案する。 RefCDは、カテゴリーラベルなしでも、教師なしパラダイムでカテゴリ情報を学習することができる。
• 参考スコア（独自算出の注目度）: 17.707748341462615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional one-shot detection methods have addressed the closed-set problem in object detection, but the high cost of data annotation remains a critical challenge. General unsupervised methods generate pseudo boxes without category labels, thus failing to achieve category-aware classification. To overcome these limitations, we propose Reference-based Category Discovery (RefCD), an unsupervised detector that enables category-aware\footnotemark[1] detection without any manually annotated labels. It leverages feature similarity between predicted objects and unlabeled reference images. Unlike previous unsupervised methods that lack category guidance and one-shot methods which require labeled data, RefCD introduces a carefully designed feature similarity loss to explicitly guide the learning of potential category-specific features. Additionally, RefCD supports category-agnostic detection without reference images, serving as a unified framework. Comprehensive quantitative and qualitative analysis of category-aware and category-agnostic detection results demonstrates its effectiveness, and RefCD can learn category information in an unsupervised paradigm even without category labels.
• Abstract（参考訳）: 従来のワンショット検出手法は、オブジェクト検出におけるクローズドセットの問題に対処してきたが、高コストのデータアノテーションは依然として重要な課題である。 一般的な教師なし手法は、カテゴリラベルなしで擬似ボックスを生成するため、カテゴリ対応の分類が得られない。 これらの制限を克服するため、手動でアノテートしたラベルを使わずにカテゴリ認識のフットノートマーク[1]検出を可能にする教師なし検出器であるReference-based Category Discovery (RefCD)を提案する。 予測対象とラベルなし参照画像との間の特徴的類似性を利用する。 カテゴリガイダンスやラベル付きデータを必要とするワンショットの手法を欠いた従来の教師なしの手法とは異なり、RefCDは、潜在的なカテゴリ固有の特徴の学習を明示的に導くために、慎重に設計された特徴類似性損失を導入している。 さらに、RefCDは参照イメージなしでカテゴリに依存しない検出をサポートし、統一されたフレームワークとして機能する。 RefCDはカテゴリラベルなしでも教師なしのパラダイムでカテゴリ情報を学習することができる。

関連論文リスト

• Classification non supervis{é}es d'acquisitions hyperspectrales cod{é}es : quelles v{é}rit{é}s terrain ? [4.718753827404684]
  DD-CASSIハイパースペクトル画像装置からの符号付き取得の限られた数を用いた教師なし分類法。 クラス内スペクトル変動の単純なモデルに基づいて,データ圧縮が10倍であるにもかかわらず,クラスを特定し,参照スペクトルを推定することができる。
  論文  参考訳（メタデータ） (2025-08-04T06:18:03Z)
• Class Label-aware Graph Anomaly Detection [23.977594208998237]
  教師なしGADのためのクラスラベルの有用性について検討する。 クラスラベル対応グラフ異常検出フレームワーク(CLAD)を提案する。 10個のデータセットの実験は、既存の教師なしGAD法と比較してCLADの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-08-22T09:46:12Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Out-of-Category Document Identification Using Target-Category Names as Weak Supervision [64.671654559798]
  Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。 対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:01:25Z)
• AutoNovel: Automatically Discovering and Learning Novel Visual Categories [138.80332861066287]
  本稿では,他のクラスをラベル付けしたイメージコレクションにおける新しいクラス発見問題に対処するため,AutoNovelと呼ばれる新しいアプローチを提案する。 我々はAutoNovelを標準分類ベンチマークで評価し、新しいカテゴリー発見の手法をかなり上回っている。
  論文  参考訳（メタデータ） (2021-06-29T11:12:16Z)
• Towards Novel Target Discovery Through Open-Set Domain Adaptation [73.81537683043206]
  オープンソースドメイン適応(OSDA)は、ターゲットドメインが外部のソースドメインでは観察できない新しいカテゴリのサンプルを含むと考えている。 対象領域に見られるカテゴリを正確に識別し,未知のカテゴリのセマンティクス特性を効果的に回復する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） (2021-05-06T04:22:29Z)
• MeGA-CDA: Memory Guided Attention for Category-Aware Unsupervised Domain Adaptive Object Detection [80.24165350584502]
  カテゴリ対応ドメイン適応のためのメモリガイドアテンションを提案する。 提案手法は,カテゴリー分類器を用いてカテゴリ認識特徴のアライメントを保証する。 この方法はいくつかのベンチマークデータセットで評価され、既存のアプローチを上回ることが示されています。
  論文  参考訳（メタデータ） (2021-03-07T01:08:21Z)
• Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
  学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。 実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
  論文  参考訳（メタデータ） (2020-10-22T14:05:05Z)
• Open-set learning with augmented categories by exploiting unlabelled data [1.2691047660244337]
  この研究は、拡張されたカテゴリによるオープンセット学習と呼ばれる新しい学習方針の中で、観測されたノーベルカテゴリーと観測されていないノーベルカテゴリを一般化する最初のものである。 我々は,オープン・LACUを,肯定的かつ難解な学習,半教師付き学習,オープン・セット認識の統一政策として導入する。 提案したOpen-LACUは、最先端および第一級の結果を得る。
  論文  参考訳（メタデータ） (2020-02-04T15:32:23Z)

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。