抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
少数ショットオブジェクト検出(FSOD)は,豊富なベースデータから事前知識をレバーグすることにより,限られたデータで新しいカテゴリーを検出することを追求する。一般化少数ショットオブジェクト検出(G-FSOD)は,以前に見られたベースクラスを忘れることなくFSODに取り組むことを目的とし,従って,両クラスが試験時間中に遭遇するより現実的なシナリオを説明する。現在のFSOD法は壊滅的忘却に悩まされるが,G-FSODはこの限界をまだ示すが,最先端のFSODと比較して,新しいタスクに関する性能低下を示す。本研究では,モデル容量を増加させることなく,新しいタスクに関する競合結果を達成しながら,壊滅的忘却を軽減するための制約ベースの微調整アプローチ(CFA)を提案した。CFAは,連続学習法,すなわち,G-FSODに対する平均勾配エピソディックメモリ(A-GEM)を適応させる。特に,勾配探索戦略に関するより多くの制約を,新しい勾配更新規則を導き,ベースと新しいクラスの間のより良い知識交換を可能にした。この方法を評価するために,MS-COCOとPASCAL-VOCデータセットに関する広範な実験を行った。提案手法は,ベースタスクにおける小さな退化を伴う新しいタスクに対して,現在のFSODおよびG-FSODアプローチより優れている。さらに,CFAはFSODアプローチに直交し,モデル容量または推論時間を増加させることなくプラグアンドプレイモジュールとして動作する。【JST・京大機械翻訳】