Low-Resource Vision Challenges for Foundation Models

要約

自然言語処理では低リソース設定が確立されており、多くの言語では大規模な深層学習に十分なデータが不足しています。
しかし、コンピュータ ビジョンでは、リソース不足の問題は十分に調査されていません。
このペーパーでは、このギャップに対処し、ビジョン基盤モデルを使用した低リソースの画像タスクの課題を調査します。
まず、歴史的な地図、回路図、機械図面を含む、真に低リソースの画像データのベンチマークを収集します。
これらの低リソース設定にはいずれも 3 つの課題があります。それは、データ不足、きめ細かい差異、自然画像から関心のある特殊な領域への分布の移行です。
既存の基盤モデルは優れた汎用性を示していますが、リソースが少ないタスクにはうまく移行できないことがわかりました。
低リソースのビジョンという課題に取り組み始めるために、課題ごとに 1 つの単純なベースラインを導入します。
具体的には、i) 生成モデルによってデータ空間を拡大し、ii) 最適なサブカーネルを採用して局所領域をエンコードしてきめ細かい差分発見を行い、iii) 特殊なドメインに対する注意を学習します。
私たちの 3 つの低リソース タスクに関する実験では、私たちの提案がすでに転移学習、データ拡張、およびきめ細かな方法よりも優れたベースラインを提供していることを示しています。
これは、基礎モデルの低リソース ビジョンの独自の特性と課題を浮き彫りにしており、さらなる調査が必要です。
プロジェクトページ: https://xiaobai1217.github.io/Low-Resource-Vision/。

要約(オリジナル)

Low-resource settings are well-established in natural language processing, where many languages lack sufficient data for deep learning at scale. However, low-resource problems are under-explored in computer vision. In this paper, we address this gap and explore the challenges of low-resource image tasks with vision foundation models. We first collect a benchmark of genuinely low-resource image data, covering historic maps, circuit diagrams, and mechanical drawings. These low-resource settings all share three challenges: data scarcity, fine-grained differences, and the distribution shift from natural images to the specialized domain of interest. While existing foundation models have shown impressive generalizability, we find they cannot transfer well to our low-resource tasks. To begin to tackle the challenges of low-resource vision, we introduce one simple baseline per challenge. Specifically, we i) enlarge the data space by generative models, ii) adopt the best sub-kernels to encode local regions for fine-grained difference discovery and iii) learn attention for specialized domains. Experiments on our three low-resource tasks demonstrate our proposals already provide a better baseline than transfer learning, data augmentation, and fine-grained methods. This highlights the unique characteristics and challenges of low-resource vision for foundation models that warrant further investigation. Project page: https://xiaobai1217.github.io/Low-Resource-Vision/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google