論文の概要: Proposal Refinement for Few-Shot Object Detection

• arxiv url: http://arxiv.org/abs/2606.09245v1
• Date: Mon, 08 Jun 2026 09:20:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.889388
• Title: Proposal Refinement for Few-Shot Object Detection
• Title（参考訳）: Few-Shotオブジェクト検出のためのリファインメントの提案
• Authors: Yuan Zeng, Bin Song, Jie Guo, Yuwen Chen,
• Abstract要約: 本稿では,新しいクラスと基本クラス間の領域提案の不均衡分布の問題に焦点をあてる。 提案手法は,提案手法を従来のベンチマークで約1%$sim$6%向上させる。
• 参考スコア（独自算出の注目度）: 9.400151099825656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot object detection has gained widely attention in recent years. Some excellent algorithms have been proposed to handle this task. However, most of these algorithms rely on the performance of few-shot classification. Unlike previous attempts, our work focuses on the problem of unbalanced distribution of region proposals between the novel classes and the base classes. In order to alleviate this unbalanced distribution, we propose the proposal refinement approach for different training phases. Specifically, refinement loss is designed for the base training phase to enhance sensitivity of the model to novel classes, and refinement branch is introduced as an auxiliary branch for RPN (Region Proposal Networks) to generate more novel proposals in the fine-tuning phase. By rebalancing the proposal distribution, the proposed approach outperforms the baselines methods by roughly 1\%$\sim$6\% on current benchmarks without increasing any inference time. Through extensive experiments, we prove that we establish a new state-of-the-art method for the few-shot object detection task.
• Abstract（参考訳）: 近年,物体検出に注目が集まっている。 この課題に対処するために、いくつかの優れたアルゴリズムが提案されている。 しかし、これらのアルゴリズムのほとんどは、少数ショット分類の性能に依存している。 従来の試みとは異なり,本研究は,新しいクラスと基本クラス間の領域提案の不均衡分布の問題に焦点を当てている。 このバランスの取れない分布を緩和するために,異なる学習段階に対する改良提案手法を提案する。 具体的には、新しいクラスに対するモデルの感度を高めるため、ベーストレーニングフェーズに改良損失を設計し、改良ブランチをRPN(Region Proposal Networks)の補助ブランチとして導入し、微調整フェーズにおいてより新しい提案を生成する。 提案手法は,提案手法の再分散により,推定時間を増大させることなく,現在のベンチマークで約1\%$\sim$6\%のベースライン法より優れた性能を示す。 広範囲な実験を通して、我々は、数発の物体検出タスクのための新しい最先端の手法を確立することを証明した。

関連論文リスト

• Locally Adaptive Multi-Objective Learning [50.29753546978998]
  私たちは、データの分散が時間とともに任意に変化するようなオンライン環境で作業しています。 この問題に対する既存のアプローチは、時間軸全体にわたって目的の集合を最小化することを目的としている。 本稿では,多目的学習法の一部を適応型オンラインアルゴリズムに置き換えることで,局所適応性を実現する方法を検討する。
  論文  参考訳（メタデータ） (2026-02-16T17:31:48Z)
• Stochastic Unrolled Federated Learning [85.6993263983062]
  本稿では,UnRolled Federated Learning (SURF)を導入する。 提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
  論文  参考訳（メタデータ） (2023-05-24T17:26:22Z)
• Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
  few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。 残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。 本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
  論文  参考訳（メタデータ） (2022-12-15T05:09:11Z)
• Fast Hierarchical Learning for Few-Shot Object Detection [57.024072600597464]
  転送学習アプローチは、最近、数ショット検出タスクで有望な結果を得た。 これらのアプローチは、ベース検出器の微調整による破滅的な忘れ込みの問題に悩まされる。 この作業における上記の問題に対処する。
  論文  参考訳（メタデータ） (2022-10-10T20:31:19Z)
• Few-Shot Object Detection with Proposal Balance Refinement [21.89786914625517]
  近年,物体検出に注目が集まっている。 本稿では,新規サンプルの偏り分布に起因した交叉対一乗変動の欠如を解析する。 提案手法は,オブジェクトの提案を学習する上で,シンプルかつ効果的なアプローチである提案バランス改善を伴う,数発のオブジェクト検出モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-22T06:44:15Z)
• Squeezing Backbone Feature Distributions to the Max for Efficient Few-Shot Learning [3.1153758106426603]
  ラベル付きサンプルの少ない使用によって生じる不確実性のため、ほとんどショット分類が難しい問題である。 本稿では,特徴ベクトルをガウス分布に近づけるように処理するトランスファーベース手法を提案する。 また,学習中に未学習のサンプルが利用可能となる多段階的数ショット学習では,達成された性能をさらに向上させる最適なトランスポートインスピレーションアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2021-10-18T16:29:17Z)
• AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
  一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。 前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。 本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-08-17T13:22:01Z)
• Leveraging the Feature Distribution in Transfer-based Few-Shot Learning [2.922007656878633]
  ラベル付きサンプルの少ない使用によって生じる不確実性のため、ほとんどショット分類が難しい問題である。 本稿では,(1)特徴ベクトルをガウス分布に近づけるように前処理し,2)最適輸送インスパイアされたアルゴリズムを用いて,この前処理を活用する。 提案手法は,様々なデータセット,バックボーンアーキテクチャ,少数ショット設定を用いて,最先端の精度を実現することができる。
  論文  参考訳（メタデータ） (2020-06-06T07:32:08Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。