論文の概要: Scope Head for Accurate Localization in Object Detection

• arxiv url: http://arxiv.org/abs/2005.04854v2
• Date: Tue, 12 May 2020 02:07:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 20:19:11.057164
• Title: Scope Head for Accurate Localization in Object Detection
• Title（参考訳）: 物体検出における正確な位置推定のためのスコープヘッド
• Authors: Geng Zhan, Dan Xu, Guo Lu, Wei Wu, Chunhua Shen, Wanli Ouyang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 135.9979405835606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing anchor-based and anchor-free object detectors in multi-stage or one-stage pipelines have achieved very promising detection performance. However, they still encounter the design difficulty in hand-crafted 2D anchor definition and the learning complexity in 1D direct location regression. To tackle these issues, in this paper, we propose a novel detector coined as ScopeNet, which models anchors of each location as a mutually dependent relationship. This approach quantizes the prediction space and employs a coarse-to-fine strategy for localization. It achieves superior flexibility as in the regression based anchor-free methods, while produces more precise prediction. Besides, an inherit anchor selection score is learned to indicate the localization quality of the detection result, and we propose to better represent the confidence of a detection box by combining the category-classification score and the anchor-selection score. With our concise and effective design, the proposed ScopeNet achieves state-of-the-art results on COCO
• Abstract（参考訳）: 既存のアンカーベースおよびアンカーフリーな物体検出器は、多段または一段パイプラインで非常に有望な検出性能を達成した。 しかし、手作りの2Dアンカー定義における設計上の困難と、1D直接位置回帰における学習の複雑さにはまだ直面する。 本稿では,これらの問題に対処するため,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。 このアプローチは予測空間を定量化し、局所化に粗い戦略を用いる。 回帰ベースのアンカーフリーメソッドのように優れた柔軟性を実現し、より正確な予測を行う。 さらに、検出結果の局所化品質を示すために、継承されたアンカー選択スコアを学習し、カテゴリ分類スコアとアンカー選択スコアを組み合わせることにより、検出ボックスの信頼性をよりよく表現することを提案する。 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。

関連論文リスト

• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
  パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。 この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。 本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T07:01:33Z)
• Modulating Localization and Classification for Harmonized Object Detection [40.82723262074911]
  2つのタスクを変調する相互学習フレームワークを提案する。 特に,2つのタスクは,新たな相互ラベル付け戦略によって互いに学習することを余儀なくされる。 COCOデータセットのベースライン検出器に対する大幅なパフォーマンス向上を実現しました。
  論文  参考訳（メタデータ） (2021-03-16T10:36:02Z)
• Dynamic Anchor Learning for Arbitrary-Oriented Object Detection [4.247967690041766]
  任意指向オブジェクトは、自然のシーン、空中写真、リモートセンシング画像などに広く現れる。 現在の回転検出器は、異なる向きのアンカーをたくさん使用して、地上の真実ボックスとの空間アライメントを実現します。 新たに定義されたマッチング度を利用した動的アンカー学習(DAL)法を提案する。
  論文  参考訳（メタデータ） (2020-12-08T01:30:06Z)
• Localize to Classify and Classify to Localize: Mutual Guidance in Object Detection [3.6488662460683794]
  学習期間中に, 局所化と分類タスクの最適化により, 新たなアンカーマッチング基準を提案する。 提案手法の単純さにもかかわらず,PASCAL VOCおよびMS COCOデータセット上での最先端のディープラーニングアーキテクチャによる実験により,相互指導戦略の有効性と汎用性を実証した。
  論文  参考訳（メタデータ） (2020-09-29T15:15:26Z)
• 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)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。