論文の概要: Hashing-based Non-Maximum Suppression for Crowded Object Detection

• arxiv url: http://arxiv.org/abs/2005.11426v1
• Date: Fri, 22 May 2020 23:45:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 09:24:30.963802
• Title: Hashing-based Non-Maximum Suppression for Crowded Object Detection
• Title（参考訳）: 集団物体検出のためのハッシュベース非最大抑圧
• Authors: Jianfeng Wang, Xi Yin, Lijuan Wang, Lei Zhang
• Abstract要約: オブジェクト検出のための非最大ボックスを効率的に抑制するアルゴリズム,HNMS(Hash-based non-maximumpression)を提案する。 2段階検出器では、領域提案ネットワークにおけるNMSをHNMSに置き換え、相当の精度でかなりのスピードアップを観測する。 CARPK、SKU-110K、CrowdHumanデータセットを用いて実験を行い、HNMSの有効性と有効性を示す。
• 参考スコア（独自算出の注目度）: 63.761451382081844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose an algorithm, named hashing-based non-maximum suppression (HNMS) to efficiently suppress the non-maximum boxes for object detection. Non-maximum suppression (NMS) is an essential component to suppress the boxes at closely located locations with similar shapes. The time cost tends to be huge when the number of boxes becomes large, especially for crowded scenes. The basic idea of HNMS is to firstly map each box to a discrete code (hash cell) and then remove the boxes with lower confidences if they are in the same cell. Considering the intersection-over-union (IoU) as the metric, we propose a simple yet effective hashing algorithm, named IoUHash, which guarantees that the boxes within the same cell are close enough by a lower IoU bound. For two-stage detectors, we replace NMS in region proposal network with HNMS, and observe significant speed-up with comparable accuracy. For one-stage detectors, HNMS is used as a pre-filter to speed up the suppression with a large margin. Extensive experiments are conducted on CARPK, SKU-110K, CrowdHuman datasets to demonstrate the efficiency and effectiveness of HNMS. Code is released at \url{https://github.com/microsoft/hnms.git}.
• Abstract（参考訳）: 本稿では,オブジェクト検出のための非最大ボックスを効率的に抑圧するアルゴリズムであるhashing-based non-maximum suppression (hnms)を提案する。 非最大抑制(NMS)は、近い位置にあるボックスを同様の形状で抑制するための必須成分である。 特に混雑したシーンでは、箱の数が大きくなると時間コストが大きくなる傾向にある。 HNMSの基本的な考え方は、まず各ボックスを個別のコード(ハッシュセル)にマッピングし、同じセルにある場合、信頼性の低いボックスを削除することである。 IoU-union(英語版)を計量として、同じセル内のボックスが低いIoU境界で十分近いことを保証する、IoUHashという単純な効果的なハッシュアルゴリズムを提案する。 2段階検出器では、領域提案ネットワークにおけるNMSをHNMSに置き換え、相当の精度でかなりのスピードアップを観測する。 一段検出器では、HNMSは、大きなマージンで抑制を高速化するためにプレフィルタとして使用される。 CARPK, SKU-110K, CrowdHumanデータセットを用いて, HNMSの有効性と有効性を示す実験を行った。 コードは \url{https://github.com/microsoft/hnms.git} でリリースされる。

関連論文リスト

• Sparse-Inductive Generative Adversarial Hashing for Nearest Neighbor Search [8.020530603813416]
  本稿では,Sparsity-induced Generative Adversarial Hashing (SiGAH)と呼ばれる新しい教師なしハッシュ法を提案する。 SiGAHは、大規模な高次元特徴をバイナリコードにエンコードする。 Tiny100K、GIST1M、Deep1M、MNISTの4つのベンチマーク実験の結果、提案されたSiGAHは最先端のアプローチよりも優れた性能を示している。
  論文  参考訳（メタデータ） (2023-06-12T08:07:23Z)
• Asymmetric Scalable Cross-modal Hashing [51.309905690367835]
  クロスモーダルハッシュは、大規模なマルチメディア検索問題を解決する方法として成功している。 これらの問題に対処する新しい非対称スケーラブルクロスモーダルハッシュ(ASCMH)を提案する。 我々のASCMHは、最先端のクロスモーダルハッシュ法よりも精度と効率の点で優れています。
  論文  参考訳（メタデータ） (2022-07-26T04:38:47Z)
• Dense Teacher: Dense Pseudo-Labels for Semi-supervised Object Detection [83.8770773275045]
  本稿では,スパースな擬似箱を擬似ラベルの統一型および単純型として高密度な予測に置き換えることを提案する。 擬似ボックスと比較すると、Dense Pseudo-Label (DPL) は後処理を一切含まないため、よりリッチな情報を保持することができる。 DPL を Dense Teacher として活用する SS-OD アルゴリズムを提案。
  論文  参考訳（メタデータ） (2022-07-06T09:41:17Z)
• Dynamic Ensemble Selection Using Fuzzy Hyperboxes [10.269997499911668]
  本稿では,FH-DESと呼ばれるファジィハイパーボックスに基づく動的アンサンブル選択(DES)フレームワークを提案する。 各ハイパーボックスは、2つのデータポイント(MinとMaxのコーナー)のみを使用してサンプルのグループを表現することができる。 それまでの融合法では観測されていなかった分類器の能力を評価するために、初めて誤分類されたサンプルが使用される。
  論文  参考訳（メタデータ） (2022-05-20T21:06:46Z)
• Confidence Propagation Cluster: Unleash Full Potential of Object Detectors [8.996530151621661]
  ほとんどのオブジェクト検出方法は、非最大抑圧(NMS)とSoft-NMSのような改良版を用いてオブジェクトを取得し、冗長なバウンディングボックスを除去する。 1) 信頼度が高いバウンディングボックスは, 基本トラストボックスと最大の重なりを持つ真の正ではなく, 2) 冗長ボックスには抑制が必要であり, 真の正の場合には信頼性向上も必要である, 3) 完全並列性を実現するためには, 信頼値で候補ボックスをソートする必要がなくなる,という3つの側面からNMSベースの手法に挑戦する。 本稿では,信念の伝播(BP)に触発されて提案する。
  論文  参考訳（メタデータ） (2021-12-01T08:22:00Z)
• Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
  本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。 また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
  論文  参考訳（メタデータ） (2021-05-07T09:37:06Z)
• SMYRF: Efficient Attention using Asymmetric Clustering [103.47647577048782]
  本稿では,注目度を近似する新しいタイプのバランスクラスタリングアルゴリズムを提案する。 SMYRFは、再トレーニングすることなく、高密度の注意層をドロップインで置き換えることができる。 SMYRFは,訓練前後の集中的注意と相互に使用できることが示唆された。
  論文  参考訳（メタデータ） (2020-10-11T18:49:17Z)
• ASAP-NMS: Accelerating Non-Maximum Suppression Using Spatially Aware Priors [26.835571059909007]
  非最大抑圧(Non Maximum Suppression、またはGreedy-NMS)は、オブジェクト検出パイプラインにとって重要なモジュールである。 2段/複数段検出器の領域提案段階において、NMSはそのシーケンシャルな性質から遅延ボトルネックであることが判明した。 我々は、最先端の2段検出器の精度を犠牲にすることなく、CPU上でのNMSステップのレイテンシを13.6msから1.2msに改善するためにASAP-NMSを使用する。
  論文  参考訳（メタデータ） (2020-07-19T21:15:48Z)
• FCOS: A simple and strong anchor-free object detector [111.87691210818194]
  物体検出を画素ごとの予測方式で解くために, 完全畳み込み型一段物検出器 (FCOS) を提案する。 RetinaNet、SSD、YOLOv3、Faster R-CNNといった最先端のオブジェクト検出器のほとんどは、事前に定義されたアンカーボックスに依存している。 対照的に、提案した検出器FCOSはアンカーボックスフリーであり、提案はフリーである。
  論文  参考訳（メタデータ） (2020-06-14T01:03:39Z)

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。