Contrastive Learning for OOD in Object detection

要約

対照学習は一般的に自己教師あり学習に適用され、トリプレット損失や N ペア損失などの従来のアプローチよりも優れていることが示されています。
ただし、大きなバッチ サイズとメモリ バンクが必要なため、トレーニングが難しく、時間がかかりました。
最近、これらの問題を克服するために、教師付き対照的アプローチが開発されました。
彼らは、各クラスの適切な表現を個別に、またはクラスのクラスター間で学習することに重点を置いています。
この作業では、ユーザー定義のランキングを使用して類似性に基づいてクラスをランク付けし、すべてのクラス間の効率的な表現を学習しようとします。
人間のバイアスを学習プロセスに組み込むことで、パラメーター空間での学習表現がどのように改善されるかを観察します。
私たちの結果が、画像分類とオブジェクト検出の教師あり対照学習に匹敵することを示し、OOD 検出における欠点について説明します

要約(オリジナル)

Contrastive learning is commonly applied to self-supervised learning, and has been shown to outperform traditional approaches such as the triplet loss and N-pair loss. However, the requirement of large batch sizes and memory banks has made it difficult and slow to train. Recently, Supervised Contrasative approaches have been developed to overcome these problems. They focus more on learning a good representation for each class individually, or between a cluster of classes. In this work we attempt to rank classes based on similarity using a user-defined ranking, to learn an efficient representation between all classes. We observe how incorporating human bias into the learning process could improve learning representations in the parameter space. We show that our results are comparable to Supervised Contrastive Learning for image classification and object detection, and discuss it’s shortcomings in OOD Detection

arxiv情報

提供元, 利用サービス

arxiv.jp, Google