論文の概要: FCOS: A simple and strong anchor-free object detector

• arxiv url: http://arxiv.org/abs/2006.09214v3
• Date: Mon, 12 Oct 2020 14:04:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 13:24:24.141103
• Title: FCOS: A simple and strong anchor-free object detector
• Title（参考訳）: FCOS:シンプルで強力なアンカーフリー物体検出器
• Authors: Zhi Tian, Chunhua Shen, Hao Chen, Tong He
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 111.87691210818194
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In computer vision, object detection is one of most important tasks, which underpins a few instance-level recognition tasks and many downstream applications. Recently one-stage methods have gained much attention over two-stage approaches due to their simpler design and competitive performance. Here we propose a fully convolutional one-stage object detector (FCOS) to solve object detection in a per-pixel prediction fashion, analogue to other dense prediction problems such as semantic segmentation. Almost all state-of-the-art object detectors such as RetinaNet, SSD, YOLOv3, and Faster R-CNN rely on pre-defined anchor boxes. In contrast, our proposed detector FCOS is anchor box free, as well as proposal free. By eliminating the pre-defined set of anchor boxes, FCOS completely avoids the complicated computation related to anchor boxes such as calculating the intersection over union (IoU) scores during training. More importantly, we also avoid all hyper-parameters related to anchor boxes, which are often sensitive to the final detection performance. With the only post-processing non-maximum suppression (NMS), we demonstrate a much simpler and flexible detection framework achieving improved detection accuracy. We hope that the proposed FCOS framework can serve as a simple and strong alternative for many other instance-level tasks. Code and pre-trained models are available at: https://git.io/AdelaiDet
• Abstract（参考訳）: コンピュータビジョンでは、オブジェクト検出はいくつかのインスタンスレベルの認識タスクと多くの下流アプリケーションを支える最も重要なタスクの1つである。 近年,単段方式は設計がシンプルで競争性が高いため,二段方式に注目が集まっている。 そこで本研究では,画素単位の予測方式で物体検出を解くための,完全畳み込み型1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,提案する検出器fcosはアンカーボックスフリーであり,提案フリーである。 予め定義されたアンカーボックスの集合を排除することで、FCOSはトレーニング中にユニオン(IoU)のスコアの交叉を計算するなどのアンカーボックスに関する複雑な計算を完全に回避する。 さらに、最終的な検出性能に敏感なアンカーボックスに関連するすべてのハイパーパラメータも避ける。 唯一の処理後非最大抑圧(NMS)により、よりシンプルで柔軟な検出フレームワークが検出精度の向上を実現していることを示す。 提案するfcosフレームワークが,他の多くのインスタンスレベルのタスクに対して,シンプルかつ強力な代替手段となることを願っています。 コードと事前トレーニングされたモデルは以下の通りである。

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)
• Anchor-Free Person Search [127.88668724345195]
  パーソンサーチ(person search)は、クエリーの人物を同時にローカライズし、特定することを目的としている。 既存の作品の多くはfaster-rcnnのような2段検出器を採用しており、精度は高いが計算オーバーヘッドは高い。 この課題に効率的に取り組む最初のアンカーフリーフレームワークであるFeature-Aligned Person Search Network(AlignPS)を紹介します。
  論文  参考訳（メタデータ） (2021-03-22T07:04:29Z)
• Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
  単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。 検出精度は元の1段検出器と比べて同等か、さらに向上した。
  論文  参考訳（メタデータ） (2021-01-28T02:38:29Z)
• Unsupervised Domain Adaptation from Synthetic to Real Images for Anchorless Object Detection [0.0]
  本稿では,アンカーレス物体検出器に非監視領域適応法を実装した。 私たちの仕事では、合成画像を含むドメイン適応問題のために、最新のアンカーレスアーキテクチャの1つである CenterNet を使用します。
  論文  参考訳（メタデータ） (2020-12-15T10:51:43Z)
• VarifocalNet: An IoU-aware Dense Object Detector [11.580759212782812]
  我々は、物体の存在感と位置決め精度の合同表現として、IACS(Iou-Aware Classification Score)を学習する。 IACSに基づいて、高密度物体検出器により、より正確な候補検出のランク付けが可能であることを示す。 FCOS+ATSSアーキテクチャに基づくIoU対応の高密度物体検出器を構築し,VarifocalNetあるいはVFNetと呼ぶ。
  論文  参考訳（メタデータ） (2020-08-31T05:12:21Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)
• AFDet: Anchor Free One Stage 3D Object Detection [9.981769027320551]
  高効率のクラウド3Dオブジェクト検出は、自律運転を含む多くのロボティクスアプリケーションにとって重要である。 これまでのほとんどの研究は、アンカーベースの検出手法を使って解決しようとするが、これは2つの欠点がある: 後処理は比較的複雑で計算コストが高い; アンカーパラメータのチューニングは難しい。 我々は、AFDetと呼ばれるアンカーフリーで非最大抑圧フリーの1段検出器を用いて、これらの欠点に最初に対処する。
  論文  参考訳（メタデータ） (2020-06-23T00:15:07Z)

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。