論文の概要: Selective Convolutional Network: An Efficient Object Detector with
Ignoring Background
- arxiv url: http://arxiv.org/abs/2002.01205v1
- Date: Tue, 4 Feb 2020 10:07:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 03:17:43.036818
- Title: Selective Convolutional Network: An Efficient Object Detector with
Ignoring Background
- Title(参考訳): Selective Convolutional Network: 背景を無視する効率的なオブジェクト検出器
- Authors: Hefei Ling, Yangyang Qin, Li Zhang, Yuxuan Shi, Ping Li
- Abstract要約: Selective Convolutional Network (SCN) と呼ばれる効率的なオブジェクト検出器を導入し、意味のある情報を含む場所のみを選択的に計算する。
そこで本稿では,ネットワークの次を導くためのオーバーヘッドを無視できるような,精巧な構造を設計する。
- 参考スコア(独自算出の注目度): 28.591619763438054
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is well known that attention mechanisms can effectively improve the
performance of many CNNs including object detectors. Instead of refining
feature maps prevalently, we reduce the prohibitive computational complexity by
a novel attempt at attention. Therefore, we introduce an efficient object
detector called Selective Convolutional Network (SCN), which selectively
calculates only on the locations that contain meaningful and conducive
information. The basic idea is to exclude the insignificant background areas,
which effectively reduces the computational cost especially during the feature
extraction. To solve it, we design an elaborate structure with negligible
overheads to guide the network where to look next. It's end-to-end trainable
and easy-embedding. Without additional segmentation datasets, we explores two
different train strategies including direct supervision and indirect
supervision. Extensive experiments assess the performance on PASCAL VOC2007 and
MS COCO detection datasets. Results show that SSD and Pelee integrated with our
method averagely reduce the calculations in a range of 1/5 and 1/3 with slight
loss of accuracy, demonstrating the feasibility of SCN.
- Abstract(参考訳): アテンション機構がオブジェクト検出器を含む多くのcnnの性能を効果的に改善できることはよく知られている。
特徴写像を精細化する代わりに、注意を向ける新しい試みによって計算の複雑さを抑える。
そこで,本研究では,有意義かつ有意義な情報を含む位置のみを選択的に計算するscn(elective convolutional network)と呼ばれる効率的な物体検出器を提案する。
基本的な考え方は、特に特徴抽出時の計算コストを効果的に削減する、重要でない背景領域を排除することである。
そこで本稿では,ネットワークの次を導くためのオーバーヘッドを無視する,精巧な構造を設計する。
エンドツーエンドのトレーニング可能で、エンベディングも簡単です。
追加のセグメンテーションデータセットなしでは、直接監督と間接監督を含む2つの異なる列車戦略を探索する。
PASCAL VOC2007およびMS COCO検出データセットの性能評価実験を行った。
その結果, SSD と Pelee を本手法に統合することにより, SCN の精度を低下させることなく, 1/5 および 1/3 の範囲での計算を平均的に削減できることがわかった。
関連論文リスト
- ELA: Efficient Local Attention for Deep Convolutional Neural Networks [15.976475674061287]
本稿では、簡単な構造で大幅な性能向上を実現するための効率的な局所注意法(ELA)を提案する。
これらの課題を克服するため、我々は1次元畳み込みとグループ正規化機能強化技術の導入を提案する。
ELAはResNet、MobileNet、DeepLabといったディープCNNネットワークにシームレスに統合できる。
論文 参考訳(メタデータ) (2024-03-02T08:06:18Z) - Non-pooling Network for medical image segmentation [11.956054700035326]
本稿では,非プールネットワーク(NPNet)を提案する。
NPNetのセマンティックセマンティックセグメンテーションモデルを,w i t h多重状態(SOTA)モデルと比較した3つのベンチマークデータセットで評価した。
論文 参考訳(メタデータ) (2023-02-21T02:49:16Z) - LO-Det: Lightweight Oriented Object Detection in Remote Sensing Images [11.41884406231953]
本稿では,有効軽量指向型物体検出器(LO-Det)を提案する。
特に、チャネル分離集約(CSA)構造は、積み重ねられた分離可能な畳み込みの複雑さを単純化するために設計されている。
提案するLO-Detは、オブジェクト指向物体を検出するための競合精度で、組み込みデバイスでも非常に高速に動作可能である。
論文 参考訳(メタデータ) (2022-09-16T04:28:01Z) - CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point
Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。
また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。
提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文 参考訳(メタデータ) (2022-07-31T21:39:15Z) - Indirect-Instant Attention Optimization for Crowd Counting in Dense
Scenes [3.8950254639440094]
SoftMax-Attentionに基づく間接インスタントアテンション最適化(IIAO)モジュール。
特殊変換は比較的粗い特徴をもたらすが、本来は人口密度分布によって予測的誤認可能性が異なる。
局所相関損失 (RCLoss) を調整し, 連続的なエラーが発生しやすい領域とスムーズな空間情報を検索する。
論文 参考訳(メタデータ) (2022-06-12T03:29:50Z) - SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。
本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。
本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文 参考訳(メタデータ) (2022-05-31T15:55:37Z) - SALISA: Saliency-based Input Sampling for Efficient Video Object
Detection [58.22508131162269]
ビデオオブジェクト検出のための新しい一様SALiencyベースの入力SAmpling技術であるSALISAを提案する。
SALISAは小物体の検出を著しく改善することを示す。
論文 参考訳(メタデータ) (2022-04-05T17:59:51Z) - Fitting the Search Space of Weight-sharing NAS with Graph Convolutional
Networks [100.14670789581811]
サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。
この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
論文 参考訳(メタデータ) (2020-04-17T19:12:39Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳(メタデータ) (2020-03-16T16:54:36Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳(メタデータ) (2020-03-09T08:16:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。