Fugu-MT 論文翻訳(概要): FeatureNMS: Non-Maximum Suppression by Learning Feature Embeddings

論文の概要: FeatureNMS: Non-Maximum Suppression by Learning Feature Embeddings

arxiv url: http://arxiv.org/abs/2002.07662v2
Date: Mon, 12 Oct 2020 15:54:06 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 20:26:14.781919
Title: FeatureNMS: Non-Maximum Suppression by Learning Feature Embeddings
Title（参考訳）: FeatureNMS: 学習機能埋め込みによる非最大抑圧
Authors: Niels Ole Salscheider
Abstract要約: FeatureNMSは、境界ボックス間の結合の交わりに基づいて重複を認識し、特徴ベクトルの差に基づいて認識する。提案手法は,古典的NMSおよび派生的手法より優れ,技術性能の達成に寄与する。
参考スコア（独自算出の注目度）: 1.370633147306388
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most state of the art object detectors output multiple detections per object. The duplicates are removed in a post-processing step called Non-Maximum Suppression. Classical Non-Maximum Suppression has shortcomings in scenes that contain objects with high overlap: This heuristic assumes that a high overlap between two bounding boxes corresponds to a high probability of one being a duplicate. We propose FeatureNMS to solve this problem. FeatureNMS recognizes duplicates not only based on the intersection over union between the bounding boxes, but also based on the difference of feature vectors. These feature vectors can encode more information like visual appearance. Our approach outperforms classical NMS and derived approaches and achieves state of the art performance.
Abstract（参考訳）: アートオブジェクト検出器のほとんどの状態は、オブジェクト毎に複数の検出を出力する。重複は、非最大抑制と呼ばれる後処理ステップで除去される。このヒューリスティックは、2つの有界箱の間の高い重なり合いが1つが重複している高い確率に対応すると仮定している。本稿ではこの問題を解決するためにFeatureNMSを提案する。特徴nmsは、境界ボックス間の結合の交わりに基づくだけでなく、特徴ベクトルの違いにもとづいて重複を認識する。これらの特徴ベクトルは、視覚的な外観のようなより多くの情報をエンコードすることができる。提案手法は,古典的NMSおよび派生的手法より優れ,技術性能の達成に寄与する。

関連論文リスト

Object-Centric Multiple Object Tracking [124.30650395969126]
本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
論文参考訳（メタデータ） (2023-09-01T03:34:12Z)
Occlusion-Aware Detection and Re-ID Calibrated Network for Multi-Object Tracking [38.36872739816151]
検出器内のOAA(Occlusion-Aware Attention)モジュールは、隠蔽された背景領域を抑えながらオブジェクトの特徴を強調する。 OAAは、隠蔽される可能性のある物体の検出器を強化する変調器として機能する。最適輸送問題に基づくRe-ID埋め込みマッチングブロックを設計する。
論文参考訳（メタデータ） (2023-08-30T06:56:53Z)
Detection Selection Algorithm: A Likelihood based Optimization Method to Perform Post Processing for Object Detection [1.7188280334580197]
物体検出では、非最大抑圧(NMS)のような後処理法が広く用いられている。画像中のオブジェクトとそのラベルの正確な数を求めるために,検出選択アルゴリズム (DSA) と呼ばれるポスト処理手法を提案する。 DSAは検出されたバウンディングボックスのサブセットを優雅に選択し、画像全体の解釈を最も高い確率で行う完全なオブジェクト再構成を行う。
論文参考訳（メタデータ） (2022-12-12T05:15:18Z)
Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
論文参考訳（メタデータ） (2022-10-04T07:54:40Z)
IoU-Enhanced Attention for End-to-End Task Specific Object Detection [17.617133414432836]
R-CNNは画像に密着したアンカーボックスやグリッドポイントを使わずに有望な結果が得られる。クエリとアテンション領域の間のスパースの性質と1対1の関係のため、自己注意に大きく依存する。本稿では,自己注意における値ルーティングの先行として,異なるボックス間でIoUを使用することを提案する。
論文参考訳（メタデータ） (2022-09-21T14:36:18Z)
Dynamic Prototype Mask for Occluded Person Re-Identification [88.7782299372656]
既存の手法では、目に見える部分を識別するために、余分なネットワークによって提供される身体の手がかりを利用することで、この問題に対処している。 2つの自己明快な事前知識に基づく新しい動的プロトタイプマスク(DPM)を提案する。この条件下では、隠蔽された表現は、選択された部分空間において自然にうまく整列することができる。
論文参考訳（メタデータ） (2022-07-19T03:31:13Z)
Deep Occlusion-Aware Instance Segmentation with Overlapping BiLayers [72.38919601150175]
高オーバーラップオブジェクトをセグメント化するBilayer Convolutional Network (BCNet)を提案する。 BCNetはオクルージョンオブジェクト(Occluder)を検出し、ボトムGCN層は部分的にOccludedインスタンス(Occludee)を推論する
論文参考訳（メタデータ） (2021-03-23T06:25:42Z)
Rank-Consistency Deep Hashing for Scalable Multi-Label Image Search [90.30623718137244]
スケーラブルなマルチラベル画像検索のための新しいディープハッシュ法を提案する。 2つの空間の類似性順序を整列するために、新しい階数整合性目的を適用した。強力な損失関数は、意味的類似性とハミング距離が一致しないサンプルをペナルティ化するように設計されている。
論文参考訳（メタデータ） (2021-02-02T13:46:58Z)
Weakly-Supervised Saliency Detection via Salient Object Subitizing [57.17613373230722]
我々は,クラス非依存であるため,弱い監督としてサリエンシー・サブイタライジングを導入する。これにより、監視はサリエンシー検出の特性と整合することができます。 5つのベンチマークデータセットに対して広範な実験を行う。
論文参考訳（メタデータ） (2021-01-04T12:51:45Z)
IterDet: Iterative Scheme for Object Detection in Crowded Environments [6.2997667081978825]
ディープラーニングベースの検出器は通常、冗長なオブジェクト境界ボックスを生成する。これらのボックスは、興味のある対象ごとに正確に1つのバウンディングボックスを選択するために、NMS(Non-maximum suppress)を使用してフィルタリングされる。この欲求スキームは単純で、孤立したオブジェクトに対して十分な精度を提供するが、しばしば混み合った環境で失敗する。本研究では、各イテレーションで新しいオブジェクトのサブセットを検出する、代替的な反復スキームを開発する。
論文参考訳（メタデータ） (2020-05-12T12:04:27Z)
An Attention-Based Deep Learning Model for Multiple Pedestrian Attributes Recognition [4.6898263272139795]
本稿では,監視映像における歩行者の自動特徴付け問題に対する新しい解決策を提供する。本稿では,より包括的な特徴表現を抽出するために,要素ワイド乗算層を用いたマルチタスクディープモデルを提案する。実験は,2つのよく知られたデータセット (RAP と PETA) を用いて実施し,提案手法の最先端性に着目した。
論文参考訳（メタデータ） (2020-04-02T16:21:14Z)

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。