論文の概要: DHARI Report to EPIC-Kitchens 2020 Object Detection Challenge
- arxiv url: http://arxiv.org/abs/2006.15553v1
- Date: Sun, 28 Jun 2020 09:29:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 02:41:31.750769
- Title: DHARI Report to EPIC-Kitchens 2020 Object Detection Challenge
- Title（参考訳）: DHARI報告:EPIC-Kitchens 2020 Object Detection Challenge
- Authors: Kaide Li, Bingyan Liao, Laifeng Hu, Yaonong Wang
- Abstract要約: 本報告では,EPIC-Kitchens Object Detection Challengeへの参加の技術的詳細について述べる。
ダックフィリングとミックスアップ技術を導入して,データの増大と,提案手法のロバスト性を大幅に向上させる。
カテゴリー不均衡のギャップを埋めるために、クラスバランスサンプリングが利用され、テスト結果を大幅に改善する。
- 参考スコア（独自算出の注目度）: 2.0263791972068628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this report, we describe the technical details of oursubmission to the
EPIC-Kitchens Object Detection Challenge.Duck filling and mix-up techniques are
firstly introduced to augment the data and significantly improve the robustness
of the proposed method. Then we propose GRE-FPN and Hard IoU-imbalance Sampler
methods to extract more representative global object features. To bridge the
gap of category imbalance, Class Balance Sampling is utilized and greatly
improves the test results. Besides, some training and testing strategies are
also exploited, such as Stochastic Weight Averaging and multi-scale testing.
Experimental results demonstrate that our approach can significantly improve
the mean Average Precision (mAP) of object detection on both the seen and
unseen test sets of EPICKitchens.
- Abstract（参考訳）: 本報告では,epic-kitchens object detection challengeへの私たちのサブミッションの技術的詳細について述べる。
次に,GRE-FPNとHard IoU-imbalance Sampler法を提案し,より代表的なグローバルなオブジェクト特徴を抽出する。
カテゴリー不均衡のギャップを埋めるため、クラスバランスサンプリングを活用し、テスト結果を大幅に改善する。
さらに、Stochastic Weight Averagingやマルチスケールテストなど、いくつかのトレーニングとテスト戦略も活用されている。
実験の結果,epickitchens の観測値と未検出値の両方において,対象検出の平均精度 (map) を大幅に向上できることがわかった。
関連論文リスト
- Better Sampling, towards Better End-to-end Small Object Detection [7.7473020808686694]
限られた特性と高密度と相互重なり合いのため、小さな物体検出は不満足なままである。
エンド・ツー・エンド・フレームワークにおけるサンプリングの強化手法を提案する。
我々のモデルは、VisDroneデータセット上での最先端(SOTA)よりも平均精度(AP)が2.9%向上することを示す。
論文 参考訳（メタデータ） (2024-05-17T04:37:44Z) - Efficient Meta-Learning Enabled Lightweight Multiscale Few-Shot Object Detection in Remote Sensing Images [15.12889076965307]
YOLOv7ワンステージ検出器は、新しいメタラーニングトレーニングフレームワークが組み込まれている。
この変換により、検出器はFSODのタスクに十分対応できると同時に、その固有の軽量化の利点を活かすことができる。
提案検出器の有効性を検証するため, 現状の検出器と性能比較を行った。
論文 参考訳（メタデータ） (2024-04-29T04:56:52Z) - Class Imbalance in Object Detection: An Experimental Diagnosis and Study
of Mitigation Strategies [0.5439020425818999]
本研究は, YOLOv5単段検出器を用いて, 前地上クラス不均衡問題に対処するベンチマークフレームワークを提案する。
我々は,サンプリング,損失重み付け,データ強化という3つの確立した手法を精査した。
比較分析の結果,2段階検出法では有効であるが,YOLOv5の性能向上には有効ではないことが明らかとなった。
論文 参考訳（メタデータ） (2024-03-11T19:06:04Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - 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) - Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。
実験結果から,これらの手法が直面する課題を分析した。
本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
論文 参考訳（メタデータ） (2022-03-23T07:33:37Z) - A Competitive Method to VIPriors Object Detection Challenge [13.024811732127615]
本稿では,vipriors object detection challengeへの提案の技術的詳細を紹介する。
本稿では,bbox-jitter, grid-mask,mix-upを含むデータ問題に対処する効果的なデータ拡張手法を提案する。
また、より重要なROI機能を学ぶために、堅牢な関心領域(ROI)抽出方法も提示します。
論文 参考訳（メタデータ） (2021-04-19T05:33:39Z) - Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。
FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。
MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文 参考訳（メタデータ） (2020-07-18T09:48:29Z) - 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) - 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。