Fugu-MT 論文翻訳(概要): Mixup Regularization for Region Proposal based Object Detectors

論文の概要: Mixup Regularization for Region Proposal based Object Detectors

arxiv url: http://arxiv.org/abs/2003.02065v1
Date: Wed, 4 Mar 2020 13:16:45 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 12:31:31.394804
Title: Mixup Regularization for Region Proposal based Object Detectors
Title（参考訳）: 領域提案に基づくオブジェクト検出のための混合正規化
Authors: Shahine Bouabid and Vincent Delaitre
Abstract要約: 本研究では,アンカーの固有領域マッピング構造を活用して,領域提案に基づく物体検出のための混合学習規則を導入することを提案する。実験の結果,画像変化に対する頑健さが向上し,検出の非コンテクスト化能力も向上し,一般化能力が向上した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mixup - a neural network regularization technique based on linear interpolation of labeled sample pairs - has stood out by its capacity to improve model's robustness and generalizability through a surprisingly simple formalism. However, its extension to the field of object detection remains unclear as the interpolation of bounding boxes cannot be naively defined. In this paper, we propose to leverage the inherent region mapping structure of anchors to introduce a mixup-driven training regularization for region proposal based object detectors. The proposed method is benchmarked on standard datasets with challenging detection settings. Our experiments show an enhanced robustness to image alterations along with an ability to decontextualize detections, resulting in an improved generalization power.
Abstract（参考訳）: ラベル付きサンプルペアの線形補間に基づくニューラルネットワーク正規化技術であるMixupは、驚くほど単純な形式化を通じてモデルの堅牢性と一般化性を改善する能力で際立っている。しかし、境界ボックスの補間はネイティブに定義できないため、オブジェクト検出の分野への拡張は未だ不明である。本稿では,アンカーの固有領域マッピング構造を活用し,領域提案に基づくオブジェクト検出のための混合駆動型トレーニング正規化を提案する。提案手法は,検出設定が困難な標準データセット上でベンチマークされる。実験の結果,画像変化に対する堅牢性が向上し,検出の非コンテクスト化が可能となり,一般化能力が向上した。

関連論文リスト

Structure Tensor Representation for Robust Oriented Object Detection [15.991918116818807]
オブジェクト指向オブジェクト検出は、オブジェクトの位置とバウンディングボックスに加えて、向きを予測する。正確な方向予測は、角周期性のため難しいままである。本稿では,配向境界箱の向きを構造テンソルとして表現することを提案する。
論文参考訳（メタデータ） (2024-11-15T09:29:47Z)
A novel integrated method of detection-grasping for specific object based on the box coordinate matching [24.954921282245387]
本論文では,ボックス座標マッチングに基づく特定対象に対する新たな検出グラスピング手法を提案する。オブジェクト検出とグリップ推定を別々に行い、改良されたモデルの優越性を検証した。
論文参考訳（メタデータ） (2023-07-20T12:23:12Z)
Exploring the Relationship between Samples and Masks for Robust Defect Localization [1.90365714903665]
本稿では,モデルプロセスなしで欠陥パターンを直接検出する一段階フレームワークを提案する。欠陥の位置を示す可能性のある明示的な情報は、直接マッピングを学ぶことを避けるために意図的に除外される。その結果,提案手法はF1-ScoreのSOTA法よりも2.9%高い値を示した。
論文参考訳（メタデータ） (2023-06-19T06:41:19Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-06-08T04:09:13Z)
Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文参考訳（メタデータ） (2022-06-06T05:12:48Z)
Boundary Distribution Estimation for Precise Object Detection [12.247010914825971]
オブジェクト検出の分野では、オブジェクトのローカライゼーションのタスクは、バウンディングボックスのレグレッションに重点を置いて達成されるのが一般的である。これは伝統的に、ボックスの中央の位置とスケーリング要素を後退させることで、オブジェクトの位置を予測する。本稿では,従来の手法の欠点を理論的解析と実験的検証によって解決する。本手法は,物体の境界における推定分布に基づいてボックスエッジを精製することにより,境界ボックスの局所化の精度を高める。
論文参考訳（メタデータ） (2021-11-02T06:58:22Z)
Uncertainty-Aware Model Adaptation for Unsupervised Cross-Domain Object Detection [12.807987076435928]
この研究は、教師なしのクロスドメインオブジェクト検出問題に取り組む。これは、事前訓練された物体検出器をラベルなしで新しいターゲットドメインに一般化することを目的としている。
論文参考訳（メタデータ） (2021-08-28T09:37:18Z)
Mixup-CAM: Weakly-supervised Semantic Segmentation via Uncertainty Regularization [73.03956876752868]
我々は、ネットワークがオブジェクトの他の部分に注意を払うことを可能にする、原則的でエンドツーエンドのトレーニング可能なフレームワークを提案する。具体的には、ミックスアップデータ拡張方式を分類ネットワークに導入し、2つの不確実な正規化項を設計し、ミックスアップ戦略をよりよく扱う。
論文参考訳（メタデータ） (2020-08-03T21:19:08Z)
Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文参考訳（メタデータ） (2020-05-11T04:00:09Z)
Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-02-06T22:58:20Z)

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。