論文の概要: AABO: Adaptive Anchor Box Optimization for Object Detection via Bayesian Sub-sampling

• arxiv url: http://arxiv.org/abs/2007.09336v1
• Date: Sat, 18 Jul 2020 05:44:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 05:32:41.818857
• Title: AABO: Adaptive Anchor Box Optimization for Object Detection via Bayesian Sub-sampling
• Title（参考訳）: AABO:ベイズサブサンプリングによる物体検出のための適応アンカーボックス最適化
• Authors: Wenshuo Ma, Tingzhong Tian, Hang Xu, Yimin Huang, Zhenguo Li
• Abstract要約: オブジェクト検出のためのアンカーボックスを自動的に最適化する問題について検討する。 まず, 信頼度の高い物体検出システムにおいて, アンカー数, アンカースケール, 比率が重要な要因であることを示す。 本稿では,あるデータセットに対してより適切なアンカーボックスを決定するために,AABOという新しいパラメータ最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 45.234059749103444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most state-of-the-art object detection systems follow an anchor-based diagram. Anchor boxes are densely proposed over the images and the network is trained to predict the boxes position offset as well as the classification confidence. Existing systems pre-define anchor box shapes and sizes and ad-hoc heuristic adjustments are used to define the anchor configurations. However, this might be sub-optimal or even wrong when a new dataset or a new model is adopted. In this paper, we study the problem of automatically optimizing anchor boxes for object detection. We first demonstrate that the number of anchors, anchor scales and ratios are crucial factors for a reliable object detection system. By carefully analyzing the existing bounding box patterns on the feature hierarchy, we design a flexible and tight hyper-parameter space for anchor configurations. Then we propose a novel hyper-parameter optimization method named AABO to determine more appropriate anchor boxes for a certain dataset, in which Bayesian Optimization and subsampling method are combined to achieve precise and efficient anchor configuration optimization. Experiments demonstrate the effectiveness of our proposed method on different detectors and datasets, e.g. achieving around 2.4% mAP improvement on COCO, 1.6% on ADE and 1.5% on VG, and the optimal anchors can bring 1.4% to 2.4% mAP improvement on SOTA detectors by only optimizing anchor configurations, e.g. boosting Mask RCNN from 40.3% to 42.3%, and HTC detector from 46.8% to 48.2%.
• Abstract（参考訳）: ほとんどの最先端のオブジェクト検出システムはアンカーベースダイアグラムに従っている。 アンカーボックスは画像上に密に提案され、ネットワークはボックスの位置オフセットと分類信頼度を予測するように訓練される。 既存のシステムでは、アンカーボックスの形状とサイズを事前に定義し、アンカー構成を定義するためにアドホックなヒューリスティックな調整が使用される。 しかし、新しいデータセットや新しいモデルが採用された場合、これは最適ではないかもしれない。 本稿では,物体検出のためのアンカーボックスの自動最適化問題について検討する。 まず,アンカー数,アンカースケール,比率が,信頼性の高い物体検出システムにとって重要な要因であることを示す。 特徴階層上の既存の境界ボックスパターンを慎重に分析することにより、アンカー構成のためのフレキシブルでタイトなハイパーパラメータ空間を設計する。 そこで, ベイズ最適化とサブサンプリングを組み合わせ, 高精度かつ効率的なアンカー構成最適化を実現する, AABO と呼ばれる新しいハイパーパラメータ最適化手法を提案する。 実験では、COCOで約2.4%のmAP改善、ADEで1.6%、VGで1.5%、最適なアンカーでSOTAで1.4%から2.4%のmAP改善を実現し、アンカー構成を最適化するだけで、例えばMask RCNNを40.3%から42.3%に、HTCの検出器を46.8%から48.2%に増やすことができる。

関連論文リスト

• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• End-to-End Semi-Supervised Object Detection with Soft Teacher [63.26266730447914]
  本稿では,従来の複雑な多段階法とは対照的に,終端から終端までの半教師付き物体検出手法を提案する。 提案手法は, 種々のラベル付け比において, 従来手法よりも大きなマージンで性能を向上する。 最先端のSwin Transformerベースの物体検出器では、検出精度を+1.5 mAPで大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T17:59:30Z)
• Augmenting Anchors by the Detector Itself [14.6595323571382]
  本研究では, AADI と呼ばれるアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカー拡張法を提案する。 AADIはアンカー自由法ではないが、アンカーのスケールとアスペクト比を連続空間から離散空間に変換する。 COCOデータセットの大規模な実験により、AADIは2段法と1段法の両方に明らかな利点があることが示された。
  論文  参考訳（メタデータ） (2021-05-28T20:11:08Z)
• Enhancing Object Detection for Autonomous Driving by Optimizing Anchor Generation and Addressing Class Imbalance [0.0]
  本研究では,より高速なR-CNNに基づく拡張型2次元物体検出器を提案する。 より高速なr-cnnに対する修正は計算コストを増加させず、他のアンカーベースの検出フレームワークを最適化するために容易に拡張できる。
  論文  参考訳（メタデータ） (2021-04-08T16:58:31Z)
• Black-Box Optimization of Object Detector Scales [7.168750704705386]
  我々は,より高速なR-CNNとSSDにおいて,前/デフォルトのボックススケールを調整するためのブラックボックス最適化手法を提案する。 PASCAL VOC 2007では、入力画像サイズと先行ボックスアンカースケールをFaster R-CNN mAPで調整することにより、2%増加することが示されている。 SSDを用いたCOCOデータセットでは、中規模および大規模オブジェクトではmAPが改善されているが、小オブジェクトではmAPが1%減少する。
  論文  参考訳（メタデータ） (2020-10-29T17:55:54Z)
• Align Deep Features for Oriented Object Detection [40.28244152216309]
  本稿では、FAM(Feature Alignment Module)とODM(Oriented Detection Module)の2つのモジュールからなる単発アライメントネットワーク(S$2$A-Net)を提案する。 FAMは、アンカー・リファインメント・ネットワークで高品質なアンカーを生成し、アンカーボックスに応じた畳み込み特徴と、新しいアライメント・コンボリューション・コンボリューションとを適応的に調整することができる。 ODMは、まず、向き情報を符号化するためにアクティブな回転フィルタを採用し、次に、分類スコアとローカライゼーション精度の不整合を軽減するために、向きに敏感で方向不変な特徴を生成する。
  論文  参考訳（メタデータ） (2020-08-21T09:55:13Z)
• Corner Proposal Network for Anchor-free, Two-stage Object Detection [174.59360147041673]
  オブジェクト検出の目標は、画像内のオブジェクトのクラスと位置を決定することである。 本稿では,多数のオブジェクト提案を抽出する新しいアンカーフリー2段階フレームワークを提案する。 この2つの段階が,リコールと精度の向上に有効な解であることを示す。
  論文  参考訳（メタデータ） (2020-07-27T19:04:57Z)
• 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)
• 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。