論文の概要: RepPoints V2: Verification Meets Regression for Object Detection

• arxiv url: http://arxiv.org/abs/2007.08508v1
• Date: Thu, 16 Jul 2020 17:57:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 23:32:56.920791
• Title: RepPoints V2: Verification Meets Regression for Object Detection
• Title（参考訳）: RepPoints V2: オブジェクト検出の回帰を検証
• Authors: Yihong Chen, Zheng Zhang, Yue Cao, Liwei Wang, Stephen Lin, Han Hu
• Abstract要約: 本稿ではRepPointsのローカライズ予測に検証タスクを導入する。 RepPoints v2は、オリジナルのRepPointsよりも約2.0mAPの一貫性のある改善を提供する。 提案手法は、インスタンスセグメンテーションのようなアプリケーションと同様に、他のオブジェクト検出フレームワークをより高めることができることを示す。
• 参考スコア（独自算出の注目度）: 65.120827759348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Verification and regression are two general methodologies for prediction in neural networks. Each has its own strengths: verification can be easier to infer accurately, and regression is more efficient and applicable to continuous target variables. Hence, it is often beneficial to carefully combine them to take advantage of their benefits. In this paper, we take this philosophy to improve state-of-the-art object detection, specifically by RepPoints. Though RepPoints provides high performance, we find that its heavy reliance on regression for object localization leaves room for improvement. We introduce verification tasks into the localization prediction of RepPoints, producing RepPoints v2, which provides consistent improvements of about 2.0 mAP over the original RepPoints on the COCO object detection benchmark using different backbones and training methods. RepPoints v2 also achieves 52.1 mAP on COCO \texttt{test-dev} by a single model. Moreover, we show that the proposed approach can more generally elevate other object detection frameworks as well as applications such as instance segmentation. The code is available at https://github.com/Scalsol/RepPointsV2.
• Abstract（参考訳）: 検証と回帰は、ニューラルネットワークにおける予測の2つの一般的な方法である。 検証は正確に推測しやすくなり、回帰はより効率的で、継続的なターゲット変数に適用できる。 したがって、それらを慎重に組み合わせて利益を享受することがしばしば有益である。 本稿では、RepPointsによる最先端のオブジェクト検出を改善するために、この哲学を考察する。 RepPointsは高い性能を提供するが、オブジェクトローカライゼーションの回帰に大きく依存しているため、改善の余地がある。 本稿では,reppointの局所化予測に検証タスクを導入し,reppoints v2を生成し,異なるバックボーンとトレーニング手法を用いたcocoオブジェクト検出ベンチマークのオリジナルreppointよりも約2.0マップに一貫性のある改善を提供する。 RepPoints v2はまた、1つのモデルでCOCO \texttt{test-dev}上で52.1 mAPを達成する。 さらに,提案手法がより汎用的に他のオブジェクト検出フレームワークやインスタンスセグメンテーションなどのアプリケーションにも適用可能であることを示す。 コードはhttps://github.com/scalsol/reppointsv2で入手できる。

関連論文リスト

• Explicit Box Detection Unifies End-to-End Multi-Person Pose Estimation [24.973118696495977]
  本稿では,ED-Poseと呼ばれる多人数のPose推定のためのExplicit box Detectionを用いたエンドツーエンドフレームワークを提案する。 ヒューマンレベル(グローバル)とキーポイントレベル(ローカル)情報のコンテキスト学習を統一する。 L1回帰損失の完全なエンドツーエンドフレームワークとして、ED-Poseは、同じバックボーンの下で、ヒートマップベースのトップダウンメソッドを初めて上回った。
  論文  参考訳（メタデータ） (2023-02-03T08:18:34Z)
• You Should Look at All Objects [28.862053913000384]
  本稿では,検出フレームワークにおけるFPNを再検討し,最適化の観点からFPNの成功の性質を明らかにする。 大規模物体の劣化特性は、FPNの統合後の不適切なバックプロパゲーションパスの発生によるものである。 バックボーンの各レベルがFPNベースの検出フレームワークの全オブジェクトを見ることができるように、2つの実行可能な戦略が提案されている。
  論文  参考訳（メタデータ） (2022-07-16T09:59:34Z)
• Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression [81.05772887221333]
  従来のキーポイント検出およびグループ化フレームワークに劣る密度の高いキーポイント回帰フレームワークについて検討する。 我々は,dekr(disentangled keypoint regression)という,単純かつ効果的な手法を提案する。 提案手法はキーポイント検出法やグループ化法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-06T05:54:46Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• Unsupervised Pretraining for Object Detection by Patch Reidentification [72.75287435882798]
  教師なし表現学習は、オブジェクトディテクタの事前トレーニング表現で有望なパフォーマンスを実現します。 本研究では,オブジェクト検出のための簡易かつ効果的な表現学習手法であるパッチ再識別(Re-ID)を提案する。 私たちの方法は、トレーニングの反復やデータパーセンテージなど、すべての設定でCOCOの同等を大幅に上回ります。
  論文  参考訳（メタデータ） (2021-03-08T15:13:59Z)
• Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
  この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。 我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
  論文  参考訳（メタデータ） (2020-07-07T18:40:19Z)
• 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)
• Seeing without Looking: Contextual Rescoring of Object Detections for AP Maximization [4.346179456029563]
  任意の検出器の出力を後処理することで、コンテキストをオブジェクト検出に組み込むことを提案する。 再現は、検出の集合全体からコンテキスト情報を条件付けすることで行われる。 検出信頼度を簡易に再割り当てすることでAPを改善できることを示す。
  論文  参考訳（メタデータ） (2019-12-27T18:56:29Z)

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。