論文の概要: PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments

• arxiv url: http://arxiv.org/abs/2007.09584v1
• Date: Sun, 19 Jul 2020 03:51:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 00:14:57.282353
• Title: PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments
• Title（参考訳）: piou損失:複雑な環境における高精度指向オブジェクト検出に向けて
• Authors: Zhiming Chen and Kean Chen and Weiyao Lin and John See and Hui Yu and Yan Ke and Cong Yang
• Abstract要約: オブジェクト指向バウンディングボックス(OBB)は、背景領域との重なりを小さくすることで、回転オブジェクトをよりターゲットにすることができる。 既存のOBBアプローチは主に、距離損失に最適化された追加次元を導入することで、水平境界ボックス検出器上に構築されている。 新たな損失である Pixels-IoU (PIoU) Loss は、正確なOBB回帰のために角度とIoUの両方を利用するように定式化されている。
• 参考スコア（独自算出の注目度）: 33.27663718573774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection using an oriented bounding box (OBB) can better target rotated objects by reducing the overlap with background areas. Existing OBB approaches are mostly built on horizontal bounding box detectors by introducing an additional angle dimension optimized by a distance loss. However, as the distance loss only minimizes the angle error of the OBB and that it loosely correlates to the IoU, it is insensitive to objects with high aspect ratios. Therefore, a novel loss, Pixels-IoU (PIoU) Loss, is formulated to exploit both the angle and IoU for accurate OBB regression. The PIoU loss is derived from IoU metric with a pixel-wise form, which is simple and suitable for both horizontal and oriented bounding box. To demonstrate its effectiveness, we evaluate the PIoU loss on both anchor-based and anchor-free frameworks. The experimental results show that PIoU loss can dramatically improve the performance of OBB detectors, particularly on objects with high aspect ratios and complex backgrounds. Besides, previous evaluation datasets did not include scenarios where the objects have high aspect ratios, hence a new dataset, Retail50K, is introduced to encourage the community to adapt OBB detectors for more complex environments.
• Abstract（参考訳）: オブジェクト指向バウンディングボックス(OBB)を用いたオブジェクト検出は、背景領域との重なりを小さくすることで、ローテーションオブジェクトをよりターゲットにすることができる。 既存のOCBアプローチは主に、距離損失に最適化された追加の角度次元を導入することで、水平境界ボックス検出器上に構築されている。 しかし、距離損失は OBB の角度誤差を最小限に抑え、それが IoU とゆるやかに相関しているため、高アスペクト比の物体には無感である。 したがって、新しい損失であるPixels-IoU(PIoU)損失は、正確なOBB回帰のために角度とIoUの両方を利用するように定式化される。 PIoU損失は、水平および向きの有界箱に対して単純かつ適した画素幅のIoUメートル法から導かれる。 提案手法の有効性を示すため,アンカーベースおよびアンカーフリーフレームワークにおけるPIoU損失を評価する。 実験の結果, PIoU損失はOBB検出器, 特に高アスペクト比, 複雑な背景を持つ物体の性能を劇的に向上させることができることがわかった。 さらに、以前の評価データセットには、オブジェクトがアスペクト比が高いシナリオが含まれていなかったため、より複雑な環境にOBB検出器を適用するようにコミュニティに促すために、新しいデータセットであるRetail50Kが導入されている。

関連論文リスト

• Improving the Detection of Small Oriented Objects in Aerial Images [0.0]
  本研究では,オブジェクト指向物体検出モデルの分類・回帰タスクを強化することにより,空中画像中の小型物体を高精度に検出する手法を提案する。 ガイド・アテンション・ロス(GALoss)とボックス・ポイント・ロス(BPLoss)の2つの損失からなるアテンション・ポイント・ネットワークを設計した。 実験結果から,小型オブジェクトインスタンスを用いた標準指向型空中データセットにおける注意点ネットワークの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-12T11:00:07Z)
• PointOBB: Learning Oriented Object Detection via Single Point Supervision [55.88982271340328]
  本稿では,オブジェクト指向物体検出のための最初の単一点ベース OBB 生成法である PointOBB を提案する。 PointOBBは、オリジナルビュー、リサイズビュー、ローテーション/フリップ(rot/flp)ビューの3つのユニークなビューの協調利用を通じて動作する。 DIOR-RとDOTA-v1.0データセットの実験結果は、PointOBBが有望な性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:51:50Z)
• Edge Based Oriented Object Detection [8.075609633483248]
  対象物の検出精度を高めるために,エッジ勾配に基づく一意な損失関数を提案する。 DOTAデータセットのmAP増加率は1.3%である。
  論文  参考訳（メタデータ） (2023-09-15T09:19:38Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Rethinking Intersection Over Union for Small Object Detection in Few-Shot Regime [2.292003207440126]
  Few-Shot Object Detection (FSOD)では、小さな物体を検出することは極めて困難である。 我々は,新しいボックス類似度尺度であるSIoU(Scale-Adaptive Intersection over Union)を提案する。 SIoUはオブジェクトのサイズによって変化し、小さなオブジェクトシフトでより寛大になる。
  論文  参考訳（メタデータ） (2023-07-17T07:26:58Z)
• Anchor Free remote sensing detector based on solving discrete polar coordinate equation [4.708085033897991]
  回転・多スケール物体を検出するためのAnchor Free Aviatic Remote Sensor Object Detector (BWP-Det) を提案する。 具体的には、インタラクティブなダブルブランチ(IDB)アップサンプリングネットワークを設計し、ヒートマップの予測に1つのブランチを徐々にアップサンプリングする。 我々は、前景と背景の違いを強調するために、重み付きマルチスケール畳み込み(WmConv)を改善した。
  論文  参考訳（メタデータ） (2023-03-21T09:28:47Z)
• OPA-3D: Occlusion-Aware Pixel-Wise Aggregation for Monocular 3D Object Detection [51.153003057515754]
  OPA-3Dは、Occlusion-Aware Pixel-Wise Aggregationネットワークである。 密集した風景深度と、奥行きのある箱残量と物の境界箱を共同で推定する。 メインカーのカテゴリーでは最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-11-02T14:19:13Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Focal and Efficient IOU Loss for Accurate Bounding Box Regression [63.14659624634066]
  オブジェクト検出では、境界ボックス回帰(BBR)はオブジェクトローカリゼーションのパフォーマンスを決定する重要なステップです。 i) $ell_n$-norm と IOU ベースのロス関数はどちらも BBR の目的を描くのに非効率的であり、これは遅い収束と不正確な回帰結果をもたらす。
  論文  参考訳（メタデータ） (2021-01-20T14:33:58Z)
• SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
  小さくて散らばった物体は実世界では一般的であり、検出は困難である。 本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。 機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
  論文  参考訳（メタデータ） (2020-04-28T06:03:54Z)

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。