論文の概要: Background-Free Objectness Learning for Class-Agnostic Detection

• arxiv url: http://arxiv.org/abs/2608.29232v1
• Date: Sat, 29 Aug 2026 12:39:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.883036
• Title: Background-Free Objectness Learning for Class-Agnostic Detection
• Title（参考訳）: クラス非依存検出のための背景自由目的学習
• Abstract要約: background-free Objectness Learning (B-FOR) は、ラベルのない領域において、明示的なバックグラウンド監督なしでオブジェクトを学習する。 スーパービジョンは、空間的に構造化されたソフトターゲットを通して、信頼できるアノテート領域に限られる。 B-FORは、以前のクラスに依存しないベースラインよりも、+10ARポイント以上のリコールを改善する。
• 参考スコア（独自算出の注目度）: 1.423280626666929
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Object detectors are typically trained under closed-set supervision, where unlabeled regions are implicitly treated as background. Under incomplete annotations, this assumption introduces objectness bias: visually valid but unlabeled objects are used as negatives, tying objectness to the annotated taxonomy rather than generic object structure. This limitation is particularly problematic for class-agnostic and open-world detection. This paper proposes Background-Free Objectness Learning (B-FOR), a dense class-agnostic detection framework that learns objectness without explicit background supervision on unlabeled regions. B-FOR formulates detection as the prediction of dense multi-scale object-center and scale fields, from which object hypotheses emerge as local spatial structures. Supervision is confined to reliable annotated regions through spatially structured soft targets, avoiding foreground-background discrimination. To support decoding from emergent local maxima, the paper further introduces displacement-aware scale fields that model object extent as a spatially varying property of the learned objectness field. Experiments on PASCAL VOC, MS-COCO, and Open Images demonstrate strong generalization to unseen categories and cross-dataset object distributions. B-FOR improves recall by more than +10 AR points over prior class-agnostic baselines. Ablation studies show that both localized objectness supervision and displacement-aware scale fields are critical for class-agnostic localization under incomplete annotations. Code available at: https://github.com/Daniaawan/B-FOR.
• Abstract（参考訳）: オブジェクト検出器は通常、未ラベル領域を暗黙的に背景として扱うクローズドセットの監督の下で訓練される。 不完全なアノテーションの下で、この仮定はオブジェクトのバイアスをもたらす: 視覚的に妥当だがラベル付けされていないオブジェクトは負として使用され、ジェネリックなオブジェクト構造ではなく、注釈付き分類にオブジェクトを結び付ける。 この制限は、クラス非依存およびオープンワールド検出において特に問題となる。 本稿では,非ラベル付き領域の背景を明示的に監視することなく,対象を学習するクラス非依存型検出フレームワークであるバックグラウンド自由目的学習(B-FOR)を提案する。 B-FORは、密集した多スケールの物体中心とスケール場の予測として検出を定式化し、そこから物体仮説が局所的な空間構造として現れる。 スーパービジョンは、空間的に構造化されたソフトターゲットを通して、フォアグラウンドとバックグラウンドの区別を避けるため、信頼できるアノテート領域に限られる。 創発的局所最大値からのデコードを支援するために,学習対象の空間的変化特性として対象範囲をモデル化する変位認識スケールフィールドを提案する。 PASCAL VOC、MS-COCO、Open Imagesの実験では、見えないカテゴリやクロスデータセットオブジェクト分布への強力な一般化が示されている。 B-FORは、以前のクラスに依存しないベースラインよりも、+10ARポイント以上のリコールを改善する。 アブレーション研究により,非完全アノテーションの下では,局所的対象性監視と変位認識スケールフィールドの両方がクラス非依存の局所化に重要であることが明らかとなった。 コードは、https://github.com/Daniaawan/B-FOR.comで公開されている。

関連論文リスト

• ECAD: Expanding Class-Agnostic Detection Beyond Thing-Centric Objectness [19.94019125942239]
  カテゴリーに依存しない視覚的候補を見つけることを目的とした,拡張型クラス非依存検出(ECAD)を定式化する。 ECADetは、凍ったDINOv3エンコーダ上に作られた軽量のDETRベースの検出器である。 ECADetはBTCO-Bench上のクラス非依存型および提案型検出器よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-08-07T06:01:06Z)
• Enhancing Egocentric Object Detection in Static Environments using Graph-based Spatial Anomaly Detection and Correction [0.0]
  本稿では,物体間の空間的関係を明示的にモデル化し,自己中心型フレームにおける異常検出を補正するグラフベースの後処理パイプラインを提案する。 手動でアノテートされたデータに基づいてトレーニングされたグラフニューラルネットワーク(GNN)を用いて、無効なオブジェクトクラスラベルを特定し、近隣のコンテキストに基づいて修正されたクラスラベルを予測する。 実験では、この空間推論を組み込むことで検出性能が大幅に向上し、mAP@50は最大4%向上した。
  論文  参考訳（メタデータ） (2025-08-11T05:08:02Z)
• Exploiting Unlabeled Data with Multiple Expert Teachers for Open Vocabulary Aerial Object Detection and Its Orientation Adaptation [58.37525311718006]
  OVAD(Open-vocabulary Aero Object Detection)という,航空物体検出問題の新しい定式化を行った。 本稿では,CLIP-activated students-Teacher DetectionフレームワークであるCastDetを提案する。 本フレームワークは,ロバストなローカライズ教師といくつかのボックス選択戦略を統合し,新しいオブジェクトの高品質な提案を生成する。
  論文  参考訳（メタデータ） (2024-11-04T12:59:13Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Open-Set Object Detection Using Classification-free Object Proposal and Instance-level Contrastive Learning [25.935629339091697]
  オープンセットオブジェクト検出(OSOD)は、オブジェクトと背景分離、オープンセットオブジェクト分類という2つのサブタスクからなる問題を処理するための有望な方向である。 我々は,OSODの課題に対処するため,Openset RCNNを提案する。 我々のOpenset RCNNは、散らばった環境下でロボットの並べ替えタスクをサポートするオープンセットの知覚能力でロボットを支援できることを示します。
  論文  参考訳（メタデータ） (2022-11-21T15:00:04Z)
• Scribble-based Boundary-aware Network for Weakly Supervised Salient Object Detection in Remote Sensing Images [10.628932392896374]
  スパース・スクリブル・アノテーションからリモートセンシング画像の正当性を予測するために,弱教師付きサルエント・オブジェクト検出フレームワークを提案する。 具体的には,高信頼度オブジェクト境界 (擬似) ラベルによって明示的に制御されるオブジェクト境界意味論を探索する境界対応モジュール (BAM) を設計する。 次に,境界セマンティクスを高次特徴と統合し,スクリブルラベルの監督下での健全な物体検出を誘導する。
  論文  参考訳（メタデータ） (2022-02-07T20:32:21Z)
• SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
  Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。 ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。 我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2022-01-12T18:57:04Z)
• Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
  本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。 この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
  論文  参考訳（メタデータ） (2021-08-15T14:36:02Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)
• Object Detection as a Positive-Unlabeled Problem [78.2955013126312]
  本稿では,未ラベル領域が負でなければならないという仮定を排除し,対象検出を正の未ラベル(PU)問題として扱うことを提案する。 提案するPU分類の損失は, PASCAL VOCやMS COCO, Visual GenomeやDeepLesionなど, ラベルの欠如により, 標準的なPN損失よりも優れていた。
  論文  参考訳（メタデータ） (2020-02-11T20:49:34Z)

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。