fulfulggg
commented
1 month ago 論文要約
論文要約:
この論文は、3D 点群データにおける Few-Shot クラス逐次学習 (FSCIL) という課題に対する新しい手法を提案しています。
ポイント:
- 事前学習済みモデル (ファウンデーションモデル) の活用: 3D 点群データで学習済みの強力な基礎モデルを使用し、新しいタスクに適応させる際も 追加学習を不要 にしています。
- 二重キャッシュシステム:
- 過去のデータの保持: 過去のテストサンプルを予測の信頼度に基づいて保存し、過去の情報を忘れないようにします。
- 新しいデータの学習: 少数の新しいタスクサンプルを含めることで、過剰適合を防ぎます。
- 高い汎用性: ModelNet、ShapeNet、ScanObjectNN、CO3D などの多様なデータセットで有効性が確認されており、従来手法よりも優れた性能を示しています。
一言でまとめると:
3D 点群データにおいて、事前学習済みモデルと効率的なキャッシュシステムを用いることで、追加学習なしで新しいタスクに柔軟に対応できるFSCIL手法を提案しています。
タイトル: ファウンデーションモデルを用いた訓練不要のアダプターによる、3D少数ショットクラス逐次学習
リンク: https://arxiv.org/abs/2410.09237
概要:
3D 点群処理における深層学習の最近の進歩は、3D コンピュータビジョンにおける Few-Shot クラス逐次学習 (FSCIL) への関心を高めています。本稿では、3D 点群環境における Few-Shot Continual Incremental Learning (FSCIL) 問題に取り組む新しい手法を提案します。まず、点群データで広範囲に学習された基礎的な 3D モデルを活用します。さまざまなタスクでうまく機能することで知られるファウンデーションモデルの最近の改善点を踏まえ、新しいタスクに適応するために追加のトレーニングを必要としない新しい戦略を提案します。私たちのアプローチは、2 つのキャッシュシステムを使用します。1 つ目は、忘却を防ぐために、モデルの予測の信頼度に基づいて以前のテストサンプルを使用します。2 つ目は、過剰適合を防ぐために、少数の新しいタスクサンプルを含めます。この動的な適応により、多くの微調整を行うことなく、さまざまな学習タスクで高いパフォーマンスを保証します。ModelNet、ShapeNet、ScanObjectNN、CO3D などのデータセットで私たちのアプローチをテストした結果、他の FSCIL 手法よりも優れており、その有効性と汎用性が実証されました。コードは \url{https://github.com/ahmadisahar/ACCV_FCIL3D} で入手できます。