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。
一般的オブジェクト検出(GOD)タスクは,いくつかの共通クラスから注釈付き訓練サンプルのアバランシェにより訓練された最近の深層ニューラルネットワークによってうまく取り組まれている。しかし,これらのオブジェクト検出器を新しい長尾物体クラスに一般化することは,ほんのわずかであり,それはほんのわずかなラベル付き訓練サンプルしか持っていない。この目的のために,少数ショットオブジェクト検出(FSOD)は,学習する学習の人間の能力を模倣するため,最近話題であり,学習された一般的なオブジェクト知識を,一般的重尾から新しい長尾オブジェクトクラスに知的に転送する。特に,この新興分野における研究は,様々なベンチマーク,バックボーン,および提案された方法論で近年,精白されている。これらのFSOD研究をレビューするために,体系的に研究され,微調整/移動学習のグループとして,そしてメタラーニング法を比較する,いくつかの洞察力のあるFSOD調査論文[58,59,74,78]がある。対照的に,著者らは,それらの寄与,すなわち,データ指向,モデル指向,およびアルゴリズム指向に基づく新しい分類の下で,新しい展望から既存のFSODアルゴリズムをレビューする。したがって,FSODの最近の成果について,性能比較による包括的な調査を行う。さらに,これらの方法の技術的課題,メリットおよび欠点を分析し,FSODの将来の方向を展望した。特に,問題定義,共通データセット,および評価プロトコルを含むFSODの概要を示した。分類学は,FSOD法を3タイプにグループ化する。この分類に従い,FSODの進歩の系統的レビューを提供した。最後に,性能,課題,および将来の方向に関する更なる議論を提示した。【JST・京大機械翻訳】