論文の概要: ProbaNet: Proposal-balanced Network for Object Detection

• arxiv url: http://arxiv.org/abs/2005.02699v2
• Date: Wed, 27 May 2020 10:32:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 05:25:57.866951
• Title: ProbaNet: Proposal-balanced Network for Object Detection
• Title（参考訳）: ProbaNet:オブジェクト検出のための提案バランスネットワーク
• Authors: Jing Wu, Xiang Zhang, Mingyi Zhou, Ce Zhu
• Abstract要約: 本稿では,不均衡問題を軽減するための提案均衡ネットワーク(ProbaNet)を提案する。 ProbaNetは、しきい値切り込みを通じて簡単なサンプルを捨てることで、トレーニング用のハードサンプルを選択する確率を高める。 既存の2段検出器と互換性があり、計算コストも非常に少ない。
• 参考スコア（独自算出の注目度）: 35.77542937741813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Candidate object proposals generated by object detectors based on convolutional neural network (CNN) encounter easy-hard samples imbalance problem, which can affect overall performance. In this study, we propose a Proposal-balanced Network (ProbaNet) for alleviating the imbalance problem. Firstly, ProbaNet increases the probability of choosing hard samples for training by discarding easy samples through threshold truncation. Secondly, ProbaNet emphasizes foreground proposals by increasing their weights. To evaluate the effectiveness of ProbaNet, we train models based on different benchmarks. Mean Average Precision (mAP) of the model using ProbaNet achieves 1.2$\%$ higher than the baseline on PASCAL VOC 2007. Furthermore, it is compatible with existing two-stage detectors and offers a very small amount of additional computational cost.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)に基づくオブジェクト検出器によって生成される候補オブジェクトの提案は、全体的なパフォーマンスに影響を与える易しいサンプルの不均衡問題に遭遇する。 本研究では,不均衡問題を解決するための提案バランスネットワーク(probanet)を提案する。 第一にprobanetは,しきい値切り換えによって簡単なサンプルを捨てることで,トレーニング用ハードサンプルを選択する確率を高める。 第二に、probanetは体重を増やすことで前景の提案を強調している。 ProbaNetの有効性を評価するため、異なるベンチマークに基づいてモデルをトレーニングする。 ProbaNetを用いたモデルの平均平均精度(mAP)は、PASCAL VOC 2007のベースラインよりも1.2$\%高い。 さらに、既存の2段検出器と互換性があり、非常に少量の計算コストを提供する。

関連論文リスト

• Collapsed Inference for Bayesian Deep Learning [36.1725075097107]
  本稿では,崩壊サンプルを用いたベイズモデル平均化を行う新しい崩壊予測手法を提案する。 崩壊したサンプルは、近似後部から引き出された数え切れないほど多くのモデルを表す。 提案手法は, スケーラビリティと精度のバランスをとる。
  論文  参考訳（メタデータ） (2023-06-16T08:34:42Z)
• Data Subsampling for Bayesian Neural Networks [0.0]
  Penalty Bayesian Neural Networks - PBNNは,サブサンプルバッチデータによる可能性の評価を可能にする,新たなアルゴリズムである。 PBNNは,データサイズが小さい場合でも,予測性能が良好であることを示す。
  論文  参考訳（メタデータ） (2022-10-17T14:43:35Z)
• Point-to-Box Network for Accurate Object Detection via Single Point Supervision [51.95993495703855]
  オフ・ザ・シェルフ提案法(OTSP)の軽量な代替手法を提案する。 P2BNetは、アンカーのような方法で提案を生成することで、オブジェクト間のバランスの取れた提案バッグを構築することができる。 コードはCOCO.com/ucas-vg/P2BNetでリリースされる。
  論文  参考訳（メタデータ） (2022-07-14T11:32:00Z)
• Boosting R-CNN: Reweighting R-CNN Samples by RPN's Error for Underwater Object Detection [12.291063755824585]
  本稿では,3つの主成分からなる2段式水中検出器「ブースティングR-CNN」を提案する。 まず、高品質な提案を提供するRetinaRPNという新しい領域提案ネットワークを提案する。 第2に、確率的推論パイプラインを導入し、第1ステージ前の不確実性と第2ステージの分類スコアを組み合わせる。
  論文  参考訳（メタデータ） (2022-06-28T03:29:20Z)
• Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
  テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。 また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
  論文  参考訳（メタデータ） (2022-04-06T06:39:40Z)
• Dual Lottery Ticket Hypothesis [71.95937879869334]
  Lottery Ticket hypothesis (LTH)は、スパースネットワークトレーニングを調査し、その能力を維持するための新しい視点を提供する。 本稿では,LTHの当選チケットをトレーニング可能なサブネットワークとして,その性能をベンチマークとして検討する。 本稿では,簡単なスパースネットワークトレーニング戦略であるランダムスパースネットワークトランスフォーメーション(RST)を提案し,DLTHを裏付ける。
  論文  参考訳（メタデータ） (2022-03-08T18:06:26Z)
• Model Architecture Adaption for Bayesian Neural Networks [9.978961706999833]
  我々はBNNを精度と不確実性の両方に最適化する新しいネットワークアーキテクチャサーチ(NAS)を示す。 我々の実験では,探索されたモデルでは,最先端(ディープアンサンブル)と比較して,不確実性と精度が比較できる。
  論文  参考訳（メタデータ） (2022-02-09T10:58:50Z)
• Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
  サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。 提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
  論文  参考訳（メタデータ） (2021-03-15T16:16:18Z)
• Probabilistic Anchor Assignment with IoU Prediction for Object Detection [9.703212439661097]
  オブジェクト検出では、どのアンカーを正または負のサンプルとして割り当てるか、すなわちアンカー代入(アンカー代入)がモデルの性能に大きく影響を与えるコアプロシージャとして明らかにされている。 本稿では,モデルの学習状況に応じて,アンカーを正と負のサンプルに適応的に分離する新しいアンカー代入戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-16T04:26:57Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)

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。