論文の概要: ASAP-NMS: Accelerating Non-Maximum Suppression Using Spatially Aware Priors

• arxiv url: http://arxiv.org/abs/2007.09785v2
• Date: Fri, 21 Aug 2020 15:18:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 00:35:04.395434
• Title: ASAP-NMS: Accelerating Non-Maximum Suppression Using Spatially Aware Priors
• Title（参考訳）: ASAP-NMS:空間認識による非最大抑圧の高速化
• Authors: Rohun Tripathi, Vasu Singla, Mahyar Najibi, Bharat Singh, Abhishek Sharma and Larry Davis
• Abstract要約: 非最大抑圧(Non Maximum Suppression、またはGreedy-NMS)は、オブジェクト検出パイプラインにとって重要なモジュールである。 2段/複数段検出器の領域提案段階において、NMSはそのシーケンシャルな性質から遅延ボトルネックであることが判明した。 我々は、最先端の2段検出器の精度を犠牲にすることなく、CPU上でのNMSステップのレイテンシを13.6msから1.2msに改善するためにASAP-NMSを使用する。
• 参考スコア（独自算出の注目度）: 26.835571059909007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widely adopted sequential variant of Non Maximum Suppression (or Greedy-NMS) is a crucial module for object-detection pipelines. Unfortunately, for the region proposal stage of two/multi-stage detectors, NMS is turning out to be a latency bottleneck due to its sequential nature. In this article, we carefully profile Greedy-NMS iterations to find that a major chunk of computation is wasted in comparing proposals that are already far-away and have a small chance of suppressing each other. We address this issue by comparing only those proposals that are generated from nearby anchors. The translation-invariant property of the anchor lattice affords generation of a lookup table, which provides an efficient access to nearby proposals, during NMS. This leads to an Accelerated NMS algorithm which leverages Spatially Aware Priors, or ASAP-NMS, and improves the latency of the NMS step from 13.6ms to 1.2 ms on a CPU without sacrificing the accuracy of a state-of-the-art two-stage detector on COCO and VOC datasets. Importantly, ASAP-NMS is agnostic to image resolution and can be used as a simple drop-in module during inference. Using ASAP-NMS at run-time only, we obtain an mAP of 44.2\%@25Hz on the COCO dataset with a V100 GPU.
• Abstract（参考訳）: 広く採用されているNon Maximum Suppression(またはGreedy-NMS)は、オブジェクト検出パイプラインにとって重要なモジュールである。 残念なことに、2段/複数段検出器の領域提案段階では、NMSはそのシーケンシャルな性質のため、遅延ボトルネックであることが判明している。 本稿では、Greedy-NMSイテレーションを慎重にプロファイルし、すでに遠くにある提案と、互いに抑制する可能性の少ない提案を比較する際に、大量の計算が無駄になっていることを確認する。 我々は、近くのアンカーから生成される提案のみを比較することでこの問題に対処する。 アンカー格子の翻訳不変性は、NMS中に近くの提案への効率的なアクセスを提供するルックアップテーブルを生成することができる。 これにより、Spatially Aware Priors(ASAP-NMS)を活用し、COCOおよびVOCデータセット上の最先端の2段階検出器の精度を犠牲にすることなく、CPU上でのNMSステップのレイテンシを13.6msから1.2msに改善する加速NMSアルゴリズムが実現される。 重要なことは、ASAP-NMSは画像解像度に非依存であり、推論中に単純なドロップインモジュールとして使用することができる。 実行時のみASAP-NMSを使用すると、V100 GPUを用いたCOCOデータセット上で44.2\%@25HzのmAPが得られる。

関連論文リスト

• Accelerating Non-Maximum Suppression: A Graph Theory Perspective [24.34791528442417]
  非最大抑圧(NMS)は、オブジェクト検出において必要不可欠な後処理ステップである。 本稿では,NMSをグラフ理論の観点から初めて体系的に解析し,その固有構造を明らかにする。 NMS-Benchは,様々なNMS手法を包括的に評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2024-09-30T17:20:49Z)
• Fuzzy-NMS: Improving 3D Object Detection with Fuzzy Classification in NMS [19.452760776980472]
  非最大抑圧(NMS)は、多くの3Dオブジェクト検出フレームワークで使用される重要な後処理モジュールである。 ファジィ学習をNMSに導入し、より詳細な候補境界ボックスフィルタリングを実現するための一般化されたファジィ-NMSモジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-21T09:09:03Z)
• ANMS: Asynchronous Non-Maximum Suppression in Event Stream [15.355579943905585]
  非最大抑圧(NMS)は、フレームベースのタスクにおいて重要な後処理アルゴリズムとして広く使われている。 本稿では、汎用非同期非最大抑圧パイプライン(ANMS)を提案する。 提案したパイプラインは、元の検出器の出力から微細な特徴ストリームを抽出し、動きの速度に適応する。
  論文  参考訳（メタデータ） (2023-03-19T05:33:32Z)
• ISDA: Position-Aware Instance Segmentation with Deformable Attention [4.188555841288538]
  我々はISDAと呼ばれる新しいエンドツーエンドのインスタンスセグメンテーション手法を提案する。 従来の畳み込み操作によって生成されるオブジェクトマスクのセットを予測するために、タスクを再設定する。 提案手法は, セット予測機構によりNMSフリーである。
  論文  参考訳（メタデータ） (2022-02-23T12:30:18Z)
• PSRR-MaxpoolNMS: Pyramid Shifted MaxpoolNMS with Relationship Recovery [17.704037442897004]
  非最大抑圧(NMS)は、オブジェクト検出のための現代の畳み込みニューラルネットワークにおいて、重要な後処理ステップである。 NMSのデファクト標準、すなわちGreedyNMSは容易に並列化できない。 MaxpoolNMSはGreedyNMSの並列化可能な代替として導入された。
  論文  参考訳（メタデータ） (2021-05-27T08:24:21Z)
• VL-NMS: Breaking Proposal Bottlenecks in Two-Stage Visual-Language Matching [75.71523183166799]
  マルチモーダル入力をマッチングするための一般的なフレームワークは、2段階のプロセスに基づいている。 これらの手法は、2つの段階における提案の役割間の明らかな不一致を見落としていると論じる。 今回提案するVL-NMSは、問い合わせ対応の提案を第一段階に行う最初の手法です。
  論文  参考訳（メタデータ） (2021-05-12T13:05:25Z)
• Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
  単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。 検出精度は元の1段検出器と比べて同等か、さらに向上した。
  論文  参考訳（メタデータ） (2021-01-28T02:38:29Z)
• End-to-End Object Detection with Fully Convolutional Network [71.56728221604158]
  エンドツーエンド検出を実現するために,分類のための予測対応ワン・ツー・ワン (POTO) ラベルの割り当てを導入する。 局所領域における畳み込みの判別性を向上させるために, 簡易な3次元maxフィルタ(3dmf)を提案する。 エンドツーエンドのフレームワークは,COCOおよびCrowdHumanデータセット上のNMSを用いて,最先端の多くの検出器と競合する性能を実現する。
  論文  参考訳（メタデータ） (2020-12-07T09:14:55Z)
• Ref-NMS: Breaking Proposal Bottlenecks in Two-Stage Referring Expression Grounding [80.46288064284084]
  Ref-NMSは、最初の段階で式対応の提案を出力する最初の方法である。 Ref-NMSは、式中のすべての名詞をクリティカルオブジェクトとみなし、各ボックスをクリティカルオブジェクトと整合させるスコアを予測する軽量モジュールを導入している。 Ref-NMSは接地ステップに依存しないため、最先端の2段階法に容易に組み込むことができる。
  論文  参考訳（メタデータ） (2020-09-03T05:04:12Z)
• FCOS: A simple and strong anchor-free object detector [111.87691210818194]
  物体検出を画素ごとの予測方式で解くために, 完全畳み込み型一段物検出器 (FCOS) を提案する。 RetinaNet、SSD、YOLOv3、Faster R-CNNといった最先端のオブジェクト検出器のほとんどは、事前に定義されたアンカーボックスに依存している。 対照的に、提案した検出器FCOSはアンカーボックスフリーであり、提案はフリーである。
  論文  参考訳（メタデータ） (2020-06-14T01:03:39Z)
• Hashing-based Non-Maximum Suppression for Crowded Object Detection [63.761451382081844]
  オブジェクト検出のための非最大ボックスを効率的に抑制するアルゴリズム,HNMS(Hash-based non-maximumpression)を提案する。 2段階検出器では、領域提案ネットワークにおけるNMSをHNMSに置き換え、相当の精度でかなりのスピードアップを観測する。 CARPK、SKU-110K、CrowdHumanデータセットを用いて実験を行い、HNMSの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-05-22T23:45:59Z)

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。