論文の概要: Fear of Memorizing Objects: End-to-End Zero-Shot Model-Based Object Detection
- arxiv url: http://arxiv.org/abs/2611.15459v1
- Date: Wed, 11 Nov 2026 13:30:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.152483
- Title: Fear of Memorizing Objects: End-to-End Zero-Shot Model-Based Object Detection
- Title(参考訳): 記憶対象の恐怖:終端から終端までのゼロショットモデルに基づく物体検出
- Abstract要約: 本稿では、ゼロショットモデルに基づくオブジェクト検出のための、エンドツーエンドのトレーニング可能なトランスフォーマベースアーキテクチャであるFOMOを提案する。
FOMOをClutter6Dでトレーニングする。Clutter6Dは、500k以上の画像と10k以上の多様なオブジェクトモデルを備えた、新しい大規模合成データセットである。
真のゼロショット方式では、FOMOはBOP-Classic-Core上の54.2 mAPを画像当たり0.23 sで達成し、トップメソッドと3.8 ppの差で総合2位となった。
- 参考スコア(独自算出の注目度): 24.326126749235797
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents FOMO (Fear of Memorizing Objects), an end-to-end trainable transformer-based architecture for zero-shot model-based object detection. Existing approaches typically follow a proposal-and-match pipeline: target-agnostic mask proposals are generated and then matched to template features in a set of loosely coupled stages, making them susceptible to fragmented proposals in clutter and degraded matching under occlusions. FOMO elegantly replaces this paradigm by injecting object template information early in the detection pipeline: Bidirectional attention between learnable latent tokens, multi-view CAD templates, and query image features produces object-aware image features and conditioned queries which are subsequently decoded into bounding-box and confidence predictions. We train FOMO on Clutter6D, a novel large-scale synthetic dataset with over 500k images featuring more than 10k diverse object models rendered in highly cluttered scenes with multiple instances and varying occlusion levels, which addresses the limited object diversity and lack of realistic dense clutter in existing datasets for training zero-shot multi-instance algorithms. In true zero-shot fashion, FOMO achieves 54.2 mAP on BOP-Classic-Core at 0.23 s per image, ranking second overall with 3.8 pp difference to the top method while being more than 7x faster. Throughout comprehensive ablation studies we investigate and verify architectural design choices.
- Abstract(参考訳): 本稿では、ゼロショットモデルに基づくオブジェクト検出のためのエンドツーエンドのトレーニング可能なトランスフォーマーアーキテクチャであるFOMO(Fear of Memorizing Objects)を提案する。
ターゲットに依存しないマスクの提案が生成され、疎結合なステージのセットのテンプレート機能にマッチする。
学習可能な潜在トークン、マルチビューCADテンプレート、クエリイメージ機能間の双方向の注意は、オブジェクト認識された画像の特徴と条件付きクエリを生成し、その後、バウンディングボックスと信頼性予測にデコードします。
我々はClutter6DでFOMOをトレーニングする。これは500k以上の画像を持つ新しい大規模合成データセットで、複数のインスタンスを持つ高度に散らばったシーンでレンダリングされた10万以上の多様なオブジェクトモデルと、オブジェクトの多様性の制限と、ゼロショットマルチインスタンスアルゴリズムのトレーニングのための既存のデータセットにおける現実的な密な散布の欠如に対処する閉塞レベルが異なる。
真のゼロショット方式では、FOMOはBOP-Classic-Core上の54.2mAPを画像当たり0.23秒で達成し、トップメソッドと3.8pp差で総合2位となった。
包括的なアブレーション研究を通じて、アーキテクチャ設計の選択を調査し検証する。
関連論文リスト
- COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである
フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。
TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
論文 参考訳(メタデータ) (2026-03-25T07:20:27Z) - Moving object detection from multi-depth images with an attention-enhanced CNN [0.6522745516142104]
太陽系で動く物体を検知する最大の課題の1つは、信号が真の物体を示すのか、あるいはノイズなどの他の原因によるものなのかを決定することである。
本稿では,畳み込みブロックアテンションモジュールと統合された多入力畳み込みニューラルネットワークを提案する。
物体検出のしきい値を調整することで、新しいモデルは手動による検証と比較して、人間の作業量を99%以上削減する。
論文 参考訳(メタデータ) (2025-12-05T04:29:37Z) - A Multi-Level Similarity Approach for Single-View Object Grasping: Matching, Planning, and Fine-Tuning [17.162675084829242]
一つの視点から3つの重要なステップを通して、未知の物体をしっかりと把握する手法を提案する。
本稿では, 意味的, 幾何学的, 次元的特徴を統合し, 包括的評価を行う多層類似性マッチングフレームワークを提案する。
さらに,大規模言語モデルの導入,半指向境界ボックスの導入,平面検出に基づく新たなポイントクラウド登録手法の開発などを行い,単一ビュー条件下でのマッチング精度の向上を図る。
論文 参考訳(メタデータ) (2025-07-16T06:07:57Z) - FMG-Det: Foundation Model Guided Robust Object Detection [7.489718044485341]
ノイズアノテーションの訓練は検出器性能を著しく低下させる。
ノイズの多いアノテーションでモデルをトレーニングするための,シンプルで効率的な方法論である -Det を提案する。
論文 参考訳(メタデータ) (2025-05-29T17:55:41Z) - FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。
我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
論文 参考訳(メタデータ) (2023-12-13T18:28:09Z) - FoundPose: Unseen Object Pose Estimation with Foundation Features [11.32559845631345]
FoundPoseは、単一のRGB画像から見えないオブジェクトを6Dポーズで推定するモデルベースの手法である。
この方法は、オブジェクトやタスク固有のトレーニングを必要とせずに、3Dモデルを使って、新しいオブジェクトを素早くオンボードできる。
論文 参考訳(メタデータ) (2023-11-30T18:52:29Z) - 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) - Object-Centric Image Generation from Layouts [93.10217725729468]
複数のオブジェクトを持つ複雑なシーンを生成するレイアウト・ツー・イメージ生成法を開発した。
本手法は,シーン内のオブジェクト間の空間的関係の表現を学習し,レイアウトの忠実度の向上につながる。
本稿では,Fr'echet Inception Distanceのオブジェクト中心適応であるSceneFIDを紹介する。
論文 参考訳(メタデータ) (2020-03-16T21:40:09Z)
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。