Part of
In dieser Dissertation werden drei neuartige Generalized FSOD (G-FSOD)-Ansätze vorgestellt, die das Vergessen von zuvor gelernten Klassen beim Lernen neuer Klassen mit begrenzten Daten minimieren. Die ersten beiden Ansätze reduzieren das Vergessen von Basisklassen, wenn diese während des Trainings noch verfügbar sind. Der dritte Ansatz, für Szenarien ohne Basisdaten, nutzt Wissensdestillation, um den Wissenstransfer zu verbessern.
In this dissertation, three novel Generalized Few-Shot Object Detection (G-FSOD) approaches are presented to minimize the forgetting of previously learned classes while learning new classes with limited data. The first two approaches reduce the forgetting of base classes if they are still available during training. The third approach, for scenarios without base data, uses knowledge distillation to improve the knowledge transfer.
Umfang: XVI, 232 S.
Preis: 42.00 €
These are words or phrases in the text that have been
automatically identified by the
Named Entity Recognition and Disambiguation service,
which provides Wikipedia
(
)
and Wikidata
(
)
links for these entities.
Guirguis, K. 2025. Towards Learning Object Detectors with Limited Data for Industrial Applications. Karlsruhe: KIT Scientific Publishing. DOI: https://doi.org/10.5445/KSP/1000174849
Dieses Buch wurde im Open Access Format publiziert. Es gelten die Bestimmungen der Creative Commons Attribution 4.0 Lizenz (falls nicht anders vermerkt). Sie berechtigt die uneingeschränkte Nutzung, Vervielfältigung und Verbreitung in jeglichen Medien, solange das Werk angemessen zitiert wird. Das Urheberrecht behalten die Autorinnen und Autoren.
Dieses Buch ist Peer reviewed. Informationen dazu finden Sie hier
Veröffentlicht am 2. April 2025
Englisch
262
| 978-3-7315-1389-6 |