論文の概要: Location-Aware Box Reasoning for Anchor-Based Single-Shot Object
Detection
- arxiv url: http://arxiv.org/abs/2007.06233v1
- Date: Mon, 13 Jul 2020 08:24:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 00:07:44.493766
- Title: Location-Aware Box Reasoning for Anchor-Based Single-Shot Object
Detection
- Title(参考訳): アンカー型単発物体検出のための位置認識ボックス推論
- Authors: Wenchi Ma, Kaidong Li, Guanghui Wang
- Abstract要約: 単発物体検出器は、ボックス提案の事前選択がないため、ボックスの品質を損なう。
境界ボックスに対する位置認識型アンカーベース推論(LAAR)を提案する。
LAARは、バウンディングボックスの品質評価を考慮して、位置と分類の信頼性の両方を考慮に入れている。
- 参考スコア(独自算出の注目度): 19.669531374307805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the majority of object detection frameworks, the confidence of instance
classification is used as the quality criterion of predicted bounding boxes,
like the confidence-based ranking in non-maximum suppression (NMS). However,
the quality of bounding boxes, indicating the spatial relations, is not only
correlated with the classification scores. Compared with the region proposal
network (RPN) based detectors, single-shot object detectors suffer the box
quality as there is a lack of pre-selection of box proposals. In this paper, we
aim at single-shot object detectors and propose a location-aware anchor-based
reasoning (LAAR) for the bounding boxes. LAAR takes both the location and
classification confidences into consideration for the quality evaluation of
bounding boxes. We introduce a novel network block to learn the relative
location between the anchors and the ground truths, denoted as a localization
score, which acts as a location reference during the inference stage. The
proposed localization score leads to an independent regression branch and
calibrates the bounding box quality by scoring the predicted localization score
so that the best-qualified bounding boxes can be picked up in NMS. Experiments
on MS COCO and PASCAL VOC benchmarks demonstrate that the proposed
location-aware framework enhances the performances of current anchor-based
single-shot object detection frameworks and yields consistent and robust
detection results.
- Abstract(参考訳): オブジェクト検出フレームワークの大部分では、非最大抑圧(NMS)における信頼性に基づくランキングのように、予測境界ボックスの品質基準として、インスタンス分類の信頼性が使用される。
しかし,空間的関係を示す境界ボックスの品質は,分類スコアとのみ相関するわけではない。
地域提案ネットワーク(RPN)ベースの検出器と比較して、単発物体検出器はボックス提案の事前選択がないため、ボックス品質を損なう。
本稿では,単発物体検出器を目標とし,バウンディングボックスに対する位置認識型アンカーベース推論(LAAR)を提案する。
laarは、境界ボックスの品質評価のために、位置と分類の信頼度の両方を考慮に入れている。
そこで本研究では,アンカーと基底真理の相対的な位置を学習するための新しいネットワークブロックを提案する。
提案するローカライズスコアは独立回帰分枝となり,予測したローカライズスコアを採点することで境界ボックス品質を調整し,nmsで最良判定された境界ボックスを拾い上げることができる。
MS COCOとPASCAL VOCベンチマークの実験により、提案された位置認識フレームワークは、現在のアンカーベースのシングルショットオブジェクト検出フレームワークの性能を高め、一貫性と堅牢な検出結果を得ることを示した。
関連論文リスト
- Rank-DETR for High Quality Object Detection [52.82810762221516]
高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。
本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
論文 参考訳(メタデータ) (2023-10-13T04:48:32Z) - Localization-Guided Track: A Deep Association Multi-Object Tracking
Framework Based on Localization Confidence of Detections [4.565826090373598]
局所化信頼度はMOTで初めて適用され、検出ボックスの外観明快さと位置化精度が考慮される。
提案手法は, 比較した最先端追跡法より優れる。
論文 参考訳(メタデータ) (2023-09-18T13:45:35Z) - Confidence-driven Bounding Box Localization for Small Object Detection [30.906712428887147]
信頼性駆動型バウンディングボックスローカライゼーション(C-BBL)法を提案する。
C-BBLは連続ラベルをグリッドに量子化し、2ホット基底の真理ラベルを定式化する。
異なるラベルシステムに対するC-BBLの一般化可能性と高分解能検出の有効性を示す。
論文 参考訳(メタデータ) (2023-03-03T09:19:08Z) - 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) - Generalized Focal Loss V2: Learning Reliable Localization Quality
Estimation for Dense Object Detection [78.11775981796367]
GFLV2 (ResNet-101) は14.6 FPSで46.2 APを達成し、以前の最先端ATSSベースライン (43.6 AP at 14.6 FPS) をCOCO tt test-devで絶対2.6 APで上回った。
コードはhttps://github.com/implus/GFocalV2.comから入手できる。
論文 参考訳(メタデータ) (2020-11-25T17:06:37Z) - 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) - Dive Deeper Into Box for Object Detection [49.923586776690115]
そこで我々は,より正確な位置決めを行うために,ボックスに深く潜り込むことができるボックス再構成手法(DDBNet)を提案する。
実験結果から,本手法はオブジェクト検出の最先端性能に寄与する可能性が示唆された。
論文 参考訳(メタデータ) (2020-07-15T07:49:05Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳(メタデータ) (2020-06-08T07:24:33Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
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。
論文 参考訳(メタデータ) (2020-05-11T04:00:09Z)
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。