文献

J-GLOBAL ID：202202225551885930   整理番号：22A0978068

分類のための学習なしのオープンワールドオブジェクト提案の学習【JST・京大機械翻訳】

Learning Open-World Object Proposals Without Learning to Classify

著者 (5件)： Kim Dahun (School of Electrical Engineering, KAIST, Daejeon, Republic of Korea) ,  Lin Tsung-Yi (Google Brain, MTV, CA, USA) ,  Angelova Anelia (Google Brain, MTV, CA, USA) ,  Kweon In So (School of Electrical Engineering, KAIST, Daejeon, Republic of Korea) ,  Kuo Weicheng (Google Brain, MTV, CA, USA)
資料名： IEEE Robotics and Automation Letters  (IEEE Robotics and Automation Letters)
巻： 7  号： 2  ページ： 5453-5460  発行年： 2022年 
JST資料番号： W2448A  ISSN： 2377-3766  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： オブジェクトの提案は,オブジェクト検出,弱い教師つき検出,オブジェクト発見,トラッキングなどの多くのビジョンパイプラインの不可欠な前処理ステップとなり,学習フリー手法と比較して,学習ベースの提案は,オブジェクト検出への関心の増大により最近普及している。共通パラダイムは,オブジェクト領域集合とそれらの対応するカテゴリーでラベル付けされたデータからオブジェクト提案を学習することである。しかし,このアプローチは,訓練セットに存在しない開放世界において,しばしば新しいオブジェクトと戦う。本レターでは,この問題は,既存の提案手法における二値分類器が訓練カテゴリーに過剰適合する傾向があることを同定した。したがって,著者らは,領域の位置と形状がどの地上-トラスオブジェクト(例えば,中心性とIoU)と重複するかによって,純粋に各領域の客観性を推定する分類フリーオブジェクト位置決めネットワーク(OLN)を提案する。この戦略は,COCOに関するクロスカテゴリ一般化に関する既存の提案を一般化し,既存の提案を凌駕する。さらに,RoboNetとEpicKitchensデータセットへのより挑戦的な交差データセット一般化と,LVISデータセット上の長尾検出を検討した。最先端のオブジェクト検出器とオブジェクトの提案者に対して明確な改善を示した。このコードはhttps://github.com/mcahny/object_localization_networkで公開されている。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 検出 ,  *学習 ,  データ ,  ネットワーク ,  分類 ,  追跡 ,  前処理 ,  位置決め
準シソーラス用語： 物体検出 ,  客観性 ,  二値分類 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 分類 ,  学習 ,  提案