論文の概要: Class Geometry as Supervision for Sample-Efficient Open-World Detection

• arxiv url: http://arxiv.org/abs/2608.12698v1
• Date: Thu, 13 Aug 2026 01:20:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.358311
• Title: Class Geometry as Supervision for Sample-Efficient Open-World Detection
• Title（参考訳）: サンプル効率の良いオープンワールド検出のためのクラス幾何学
• Authors: Akash Rao, Zhou Chen, Revanth Reddy Palem, Udhav Ramachandran, Ruth Scimeca, Sathyanarayanan N. Aakur,
• Abstract要約: オープンワールドオブジェクト検出には、既知のカテゴリを認識し、馴染みのないオブジェクトを拒絶し、時間とともに新しいクラスを組み込むモデルが必要である。 プロトタイプベースの検出器はこの状態には自然であるが、通常は独立したアンカーとしてクラスプロトタイプを学習する。 我々は,学習したプロトタイプやクラス粒度空間を制約する一般的なフレームワークであるクラス幾何監督(CGS)を提案する。
• 参考スコア（独自算出の注目度）: 6.8386326664004855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-world object detection requires models to recognize known categories, reject unfamiliar objects, and incorporate new classes over time. This is especially challenging in scarce-data settings such as biomedical and scientific imaging, where rare categories may have only a few annotated examples and fine-grained classes differ by subtle morphology. Prototype-based detectors are natural for this regime, but they typically learn class prototypes as independent anchors, ignoring relational structure among classes. We propose class-geometry supervision (CGS), a general framework that constrains learned prototype or class-representation spaces to preserve visual or semantic class dissimilarities estimated from training data. CGS introduces a dissimilarity-preserving objective that aligns pairwise distances among learned class representations with a target class-geometry matrix while retaining the standard task loss. We instantiate the same objective across prototype recognition, few-shot biomedical object detection, open-set detection, novel-class insertion, and OWOD adaptation on COCO. Experiments show that CGS improves sample efficiency in recognition and ova detection, substantially strengthens novel-class insertion, and improves unknown recall on COCO while retaining much of the known-class detection performance. Ablations show that meaningful visual geometry provides the most reliable gains, while random geometry can help novel separation but is less consistent for few-shot detection. These results suggest that relational class geometry is an effective supervisory signal for building calibrated and extensible open-world detectors under limited supervision.
• Abstract（参考訳）: オープンワールドオブジェクト検出には、既知のカテゴリを認識し、馴染みのないオブジェクトを拒絶し、時間とともに新しいクラスを組み込むモデルが必要である。 特にバイオメディカルや科学的イメージングのような希少なデータ設定では、希少なカテゴリがいくつかの注釈付き例しか持たず、微妙な形態によって微細なクラスが異なるため、これは特に困難である。 プロトタイプベースの検出器はこの状態には自然であるが、クラス間の関係構造を無視して、独立したアンカーとしてクラスプロトタイプを学ぶのが一般的である。 本稿では,学習したプロトタイプやクラス表現空間を制約し,学習データから推定した視覚的・意味的なクラス差を抑えるためのクラス幾何監視(CGS)を提案する。 CGSは、学習したクラス表現間のペアワイズ距離を、標準タスク損失を維持しながらターゲットクラス幾何学行列と整合させる、相似性保存目的を導入している。 プロトタイプ認識, バイオメディカルオブジェクト検出, オープンセット検出, 新規クラス挿入, COCOへのOWOD適応などにおいて, 同じ目的を達成している。 実験により、CGSは、認識および卵巣検出におけるサンプル効率を向上し、新規クラスの挿入を大幅に強化し、既知のクラス検出性能の多くを維持しながらCOCOの未知のリコールを改善した。 アブレーションは、有意義な視覚幾何学が最も信頼性の高いゲインを提供するのに対し、ランダムな幾何学は新規な分離に役立つが、数発検出では一貫性がないことを示している。 これらの結果から,リレーショナルクラス幾何は,限定的な監督の下で,校正・拡張可能なオープンワールド検出器を構築するための効果的な監視信号であることが示唆された。

関連論文リスト

• FSP-DETR: Few-Shot Prototypical Parasitic Ova Detection [6.732071883787906]
  FSP-DETRは,ロバストな数発検出,オープンセット認識,バイオメディカルタスクの一般化を可能にする統合検出フレームワークである。 本手法は,クラスに依存しないDETRバックボーン上に構築され,元のサポートイメージからクラスプロトタイプを構築し,拡張ビューと軽量トランスフォーマーデコーダを用いて埋め込み空間を学習する。 卵巣、血液細胞、マラリア検出タスクにわたるテストでは、FSP-DETRは以前の数発およびプロトタイプベースの検出器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-10-10T17:38:40Z)
• Towards Effective Open-set Graph Class-incremental Learning [4.286860874195651]
  グラフクラス増分学習(GCIL)により、グラフニューラルネットワーク(GNN)は、新たなクラス知識を漸進的に学習することで、グラフ分析タスクに適応することができる。 既存のGCILメソッドは主に、すべてのテストサンプルが以前に知られていたクラスに属すると仮定されるクローズドセットの仮定に焦点を当てている。 本稿では,従来のクラスを破滅的に忘れることと,オープンセットの認識が不十分な2つの課題を含む,より困難なオープンセットグラフクラス増分学習シナリオを提案する。
  論文  参考訳（メタデータ） (2025-07-23T16:51:23Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• DiGeo: Discriminative Geometry-Aware Learning for Generalized Few-Shot Object Detection [39.937724871284665]
  汎用的な少ショットオブジェクト検出は、豊富なアノテーションと限られたトレーニングデータを持つ新しいクラスで、両方のベースクラス上で正確な検出を実現することを目的としている。 既存のアプローチは、ベースクラスのパフォーマンスを犠牲にして、数ショットの一般化を促進する。 クラス間分離とクラス内コンパクト性の幾何学的特徴を学習するための新しいトレーニングフレームワークDiGeoを提案する。
  論文  参考訳（メタデータ） (2023-03-16T22:37:09Z)
• 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)
• Latent-Insensitive Autoencoders for Anomaly Detection and Class-Incremental Learning [0.0]
  我々は、類似ドメインからのラベルなしデータを負の例として用いて、正規のオートエンコーダの潜伏層(ブートネック)を形成するLatent-Insensitive Autoencoder (LIS-AE)を紹介した。 本稿では,クラス毎に異なる潜在層を追加して,クラス増分学習を複数の異常検出タスクとして扱うとともに,クラス増分学習を負の例として,各潜在層を形作る。
  論文  参考訳（メタデータ） (2021-10-25T16:53:49Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)

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。