GiPL: Generative augmented iterative Pseudo-Labeling for Cross-Domain Few-Shot Object Detection
Author
- Haebom
Category
Empty
저자
Jiacong Liu, Shu Luo, Yikai Qin, Yaze Zhao, Yongwei Jiang, Yixiong Zou
💡 개요
본 논문은 교차 도메인 소량 샘플 객체 탐지(CD-FSOD) 문제를 해결하기 위한 Generative augmented iterative Pseudo-Labeling (GiPL) 프레임워크를 제안합니다. GiPL은 희소한 지원 세트 샘플을 효과적으로 활용하기 위해 반복적인 의사 레이블링 자기 학습 기법을 사용하고, 제한된 타겟 도메인 샘플로 인한 과적합을 억제하기 위해 대규모 비전-언어 모델을 활용한 생성적 데이터 증강 기법을 도입합니다. 제안된 방법론은 RUOD, CARPK, CarDD 데이터셋에서 기존 최첨단 방법론 대비 상당한 성능 향상을 보였습니다.
🔑 시사점 및 한계
•
비전-언어 기반 모델의 CD-FSOD 성능 향상을 위한 효율적인 프레임워크를 제시합니다.
•
소량의 지원 세트 데이터를 최대한 활용하고, 생성적 데이터 증강을 통해 과적합을 효과적으로 방지하는 방법을 보여줍니다.
•
다양한 CD-FSOD 데이터셋 및 샷 설정에서 일관적인 우수성을 입증했습니다.
•
제안된 생성적 데이터 증강 파이프라인의 계산 복잡성 및 확장성에 대한 추가적인 연구가 필요할 수 있습니다.
