LMC: Large Model Collaboration with Cross-assessment for Training-Free Open-Set Object Recognition

要約

オープンセットオブジェクト認識は、オブジェクトがトレーニング中に遭遇したクラスのものであるかどうかを識別することを目的としています。
オープンセットのオブジェクト認識を正確に実行するには、偽の識別機能への依存をどのように減らすかが重要な課題となります。
この論文では、異なるパラダイムを通じて事前トレーニングされた異なる大規模モデルが非常に豊富でありながら明確な暗黙的知識を保持できるということを動機として、さまざまな既製のモデルを連携させることで上記の課題に取り組むためのラージ モデル コラボレーション (LMC) という新しいフレームワークを提案します。
トレーニング不要の方法で大規模なモデルを作成できます。
さらに、提案されたフレームワークにいくつかの新しい設計を組み込んで、大規模なモデルから暗黙的な知識を効果的に抽出します。
広範な実験により、私たちが提案したフレームワークの有効性が実証されています。
コードは \href{https://github.com/Harryqu123/LMC}{こちら} から入手できます。

要約(オリジナル)

Open-set object recognition aims to identify if an object is from a class that has been encountered during training or not. To perform open-set object recognition accurately, a key challenge is how to reduce the reliance on spurious-discriminative features. In this paper, motivated by that different large models pre-trained through different paradigms can possess very rich while distinct implicit knowledge, we propose a novel framework named Large Model Collaboration (LMC) to tackle the above challenge via collaborating different off-the-shelf large models in a training-free manner. Moreover, we also incorporate the proposed framework with several novel designs to effectively extract implicit knowledge from large models. Extensive experiments demonstrate the efficacy of our proposed framework. Code is available \href{https://github.com/Harryqu123/LMC}{here}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google