論文の概要: Probabilistic Anchor Assignment with IoU Prediction for Object Detection
- arxiv url: http://arxiv.org/abs/2007.08103v2
- Date: Sat, 5 Sep 2020 07:44:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 23:16:49.022825
- Title: Probabilistic Anchor Assignment with IoU Prediction for Object Detection
- Title（参考訳）: 物体検出のためのIoU予測による確率的アンカーアサインメント
- Authors: Kang Kim and Hee Seok Lee
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.703212439661097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In object detection, determining which anchors to assign as positive or
negative samples, known as anchor assignment, has been revealed as a core
procedure that can significantly affect a model's performance. In this paper we
propose a novel anchor assignment strategy that adaptively separates anchors
into positive and negative samples for a ground truth bounding box according to
the model's learning status such that it is able to reason about the separation
in a probabilistic manner. To do so we first calculate the scores of anchors
conditioned on the model and fit a probability distribution to these scores.
The model is then trained with anchors separated into positive and negative
samples according to their probabilities. Moreover, we investigate the gap
between the training and testing objectives and propose to predict the
Intersection-over-Unions of detected boxes as a measure of localization quality
to reduce the discrepancy. The combined score of classification and
localization qualities serving as a box selection metric in non-maximum
suppression well aligns with the proposed anchor assignment strategy and leads
significant performance improvements. The proposed methods only add a single
convolutional layer to RetinaNet baseline and does not require multiple anchors
per location, so are efficient. Experimental results verify the effectiveness
of the proposed methods. Especially, our models set new records for
single-stage detectors on MS COCO test-dev dataset with various backbones. Code
is available at https://github.com/kkhoot/PAA.
- Abstract（参考訳）: オブジェクト検出において、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を決定するアンカー割り当ては、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,モデルの学習状態に応じて,基底真理バウンディングボックスに対し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割当て戦略を提案する。
そこで,まずモデルに条件づけられたアンカーのスコアを計算し,そのスコアに確率分布を適合させる。
モデルは、確率に応じて正と負のサンプルに分離されたアンカーで訓練される。
さらに, 学習目標とテスト目標のギャップを調査し, 検出されたボックスの交点オーバー結合を局所的品質の尺度として予測し, ばらつきを低減することを提案する。
非最大抑制ウェルにおけるボックス選択指標としての分類と局所性の組み合わせスコアは、提案されたアンカー割り当て戦略と一致し、大幅なパフォーマンス改善をもたらす。
提案手法はRetinaNetベースラインに1つの畳み込み層のみを追加し,複数のアンカーを必要としないため,効率がよい。
提案手法の有効性を実験的に検証した。
特に本モデルでは,MS COCO test-dev データセットに種々のバックボーンを持つ単段検出器を新たに設定した。
コードはhttps://github.com/kkhoot/paaで入手できる。
関連論文リスト
- Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳（メタデータ） (2023-12-27T09:03:43Z) - Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。
そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
論文 参考訳（メタデータ） (2023-04-04T03:48:56Z) - 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) - Bayes Classification using an approximation to the Joint Probability
Distribution of the Attributes [1.0660480034605242]
本研究では,テストサンプルの近傍の情報を用いて条件付き確率を推定する手法を提案する。
本稿では,カリフォルニア大学アーバイン校(UCI)の機械学習リポジトリから得られた幅広いデータセットに対する提案手法の性能について述べる。
論文 参考訳（メタデータ） (2022-05-29T22:24:02Z) - Dynamic Label Assignment for Object Detection by Combining Predicted and
Anchor IoUs [20.41563386339572]
本稿では,予測付きトレーニング状況に基づいてラベル割り当てを動的に行うための,シンプルで効果的な手法を提案する。
本手法は,適応ラベル代入アルゴリズムによる検出モデルの性能改善を示す。
論文 参考訳（メタデータ） (2022-01-23T23:14:07Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification [25.035093667770052]
2つのモジュールを含むアンチノイズラーニング(ANL)アプローチを提案します。
FDAモジュールは、カメラ回りのコントラスト学習と逆適応を通じて、ID関連サンプルを収集し、ID非関連サンプルを分散するように設計されています。
reliable sample selection(rss)モジュールは、ノイズラベルを訂正し、メインモデルの信頼できるサンプルを選択するために補助モデルを使用する。
論文 参考訳（メタデータ） (2020-12-27T02:38:45Z) - 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) - 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。