DFAM-DETR: Deformable feature based attention mechanism DETR on slender object detection オブジェクト検出は、コンピュータビジョンの最も重要な側面の1つであり、さまざまな分野で大きな成果を上げています。細い物体の検出に焦点を当てた研究はほとんどないことは注目に値します。 CNNはオブジェクト検出で広く使用されていますが、幾何学的構造とサンプリングポイントが固定されているため、細いオブジェクト検出ではパフォーマンスが低下します。それに比べて、変形可能なDETRには、グローバルから特定の機能を取得する機能があります。細いオブジェクトの検出精度と効率においてCNNを上回っていますが、結果はまだ満足のいくものではありません。したがって、我々は、変形可能なDETRの細い物体の検出精度と効率を高めるために、変形可能
継続学習の実際的な設定を研究します。事前にトレーニングされたモデルを継続的に微調整します。以前の作業では、新しいタスクのトレーニング時に、以前のデータの機能(最後から2番目のレイヤー表現)が変化することがわかりました。これは、表現シフトと呼ばれます。機能のシフトに加えて、中間層の表現シフト(IRS)も重要であることがわかります。これは、バッチの正規化を混乱させるためです。これは、壊滅的な忘却のもう1つの重大な原因です。これを動機として、クロスコンボリューションバッチ正規化(Xconv BN)と階層的微調整の2つのコンポーネントを組み込んだ微調整方法であるConFiTを提案します。 Xconv BNは、畳み込み後ではなく畳み込み前の実行平均を維持し、テスト前に畳み込み後の平均を回復します。これにより、IRSでの平均の不正確な推定値が修正されます。階層的な微調整は、多段階の戦略を活用して事前に
テスト時の適応は、教師なしドメイン適応の特別な設定であり、ソースドメインでトレーニングされたモデルは、ソースデータにアクセスせずにターゲットドメインに適応する必要があります。自己監視型の対照学習を活用してターゲットの特徴学習を容易にする新しい方法と、疑似ラベルのノイズを大幅に除去する改良されたオンライン疑似ラベル付けスキームを提案します。対照学習タスクは、疑似ラベル付けと一緒に適用され、MoCoと同様に構築された正と負のペアを対比しますが、ソース初期化エンコーダーを使用し、疑似ラベルで示される同じクラスの負のペアを除外します。一方、疑似ラベルをオンラインで作成し、メモリキューを維持することで可能になる、ターゲット機能空間内の最近傍間のソフト投票によってそれらを改良します。私たちの方法であるAdaContrastは、主要なベンチマークで最先端のパフォーマンスを実現すると同時に、メモリ効率、ハ
ディープハッシュは、その効率と有効性のために、大規模な画像検索で広く利用されています。最近、ディープハッシュモデルにセキュリティ上の課題をもたらす敵対的な例を研究することがホットな問題になっています。ただし、依然として重大なボトルネックがあります。ディープハッシュベースの検索で敵対的な攻撃と防御をさらに強化するためのガイドとして、優れた正確なセマンティック代表を見つける方法です。生成された敵対的サンプルを使用してハッシュネットワークの堅牢性を向上させるために、初めて、最小-最大パラダイムを使用して効果的な敵対的学習を設計しようとします。具体的には、実証済みの連続ハッシュセンター法(CHCM)を通じて最適なソリューション(センターコードと呼ばれる)を取得します。これにより、正のサンプルとの意味的類似性と負のサンプルとの非類似性が維持されます。一方では、敵対的な例のハッシュコードとセンターコー
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く