論文の概要: NOH-NMS: Improving Pedestrian Detection by Nearby Objects Hallucination
- arxiv url: http://arxiv.org/abs/2007.13376v1
- Date: Mon, 27 Jul 2020 08:51:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 08:48:11.723043
- Title: NOH-NMS: Improving Pedestrian Detection by Nearby Objects Hallucination
- Title(参考訳): NOH-NMS:周辺物体の幻覚による歩行者検出の改善
- Authors: Penghao Zhou, Chong Zhou, Pai Peng, Junlong Du, Xing Sun, Xiaowei Guo,
Feiyue Huang
- Abstract要約: 本研究では,NH-NMSとともに,近傍の物体をガウス分布でピンポイントするNH(Nearby Objects Hallucinator)を提案する。
Greedy-NMSと比較して、最先端の手法である我々の方法は、AP$$$3.9%、リコール$5.1%、CrowdHuman$0.8%$$textMR-2$で改善されている。
- 参考スコア(独自算出の注目度): 61.24334534292012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Greedy-NMS inherently raises a dilemma, where a lower NMS threshold will
potentially lead to a lower recall rate and a higher threshold introduces more
false positives. This problem is more severe in pedestrian detection because
the instance density varies more intensively. However, previous works on NMS
don't consider or vaguely consider the factor of the existent of nearby
pedestrians. Thus, we propose Nearby Objects Hallucinator (NOH), which
pinpoints the objects nearby each proposal with a Gaussian distribution,
together with NOH-NMS, which dynamically eases the suppression for the space
that might contain other objects with a high likelihood. Compared to
Greedy-NMS, our method, as the state-of-the-art, improves by $3.9\%$ AP,
$5.1\%$ Recall, and $0.8\%$ $\text{MR}^{-2}$ on CrowdHuman to $89.0\%$ AP and
$92.9\%$ Recall, and $43.9\%$ $\text{MR}^{-2}$ respectively.
- Abstract(参考訳): Greedy-NMSは本質的にジレンマを上昇させ、低いNMS閾値はリコール率を低下させ、より高い閾値はより多くの偽陽性をもたらす。
この問題は、インスタンス密度がより集中的に変化するため、歩行者検出においてより深刻である。
しかし、NMSの以前の研究は、近隣の歩行者の存在の要因を考慮または曖昧に考慮していない。
そこで本稿では,提案提案の近傍のオブジェクトをガウス分布でピンポイントするNH-NMS(Nearby Objects Hallucinator)と,他のオブジェクトを高い確率で含む空間の抑制を動的に緩和するNOH-NMSを提案する。
Greedy-NMSと比較すると、我々の手法は最先端の手法であるAPに対して$3.9\%$ AP、$5.1\%$ Recall、$0.8\%$$\text{MR}^{-2}$をCrowdHuman上で$89.0\%$ AP、$92.9\%$ Recall、$43.9\%$ $\text{MR}^{-2}$と改善している。
関連論文リスト
- Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit
Feedback and Unknown Transition [71.33787410075577]
線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。
我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-03-07T15:03:50Z) - Near Sample-Optimal Reduction-based Policy Learning for Average Reward
MDP [58.13930707612128]
この研究は、平均報酬マルコフ決定過程(AMDP)における$varepsilon$-Optimal Policyを得る際のサンプルの複雑さを考察する。
我々は、状態-作用対当たりの$widetilde O(H varepsilon-3 ln frac1delta)$サンプルを証明し、$H := sp(h*)$は任意の最適ポリシーのバイアスのスパンであり、$varepsilon$は精度、$delta$は失敗確率である。
論文 参考訳(メタデータ) (2022-12-01T15:57:58Z) - Confidence Propagation Cluster: Unleash Full Potential of Object
Detectors [8.996530151621661]
ほとんどのオブジェクト検出方法は、非最大抑圧(NMS)とSoft-NMSのような改良版を用いてオブジェクトを取得し、冗長なバウンディングボックスを除去する。
1) 信頼度が高いバウンディングボックスは, 基本トラストボックスと最大の重なりを持つ真の正ではなく, 2) 冗長ボックスには抑制が必要であり, 真の正の場合には信頼性向上も必要である, 3) 完全並列性を実現するためには, 信頼値で候補ボックスをソートする必要がなくなる,という3つの側面からNMSベースの手法に挑戦する。
本稿では,信念の伝播(BP)に触発されて提案する。
論文 参考訳(メタデータ) (2021-12-01T08:22:00Z) - Provably Breaking the Quadratic Error Compounding Barrier in Imitation
Learning, Optimally [58.463668865380946]
状態空間 $mathcalS$ を用いたエピソードマルコフ決定過程 (MDPs) における模擬学習の統計的限界について検討する。
rajaraman et al (2020) におけるmdアルゴリズムを用いた準最適性に対する上限 $o(|mathcals|h3/2/n)$ を定式化する。
Omega(H3/2/N)$ $mathcalS|geq 3$ であるのに対して、未知の遷移条件はよりシャープレートに悩まされる。
論文 参考訳(メタデータ) (2021-02-25T15:50:19Z) - Sparse Normal Means Estimation with Sublinear Communication [13.257075075199781]
通信制約のある分散環境における正規平均推定の問題点を考察する。
信号対雑音比(SNR)がわずかに高くなると、$mu$のサポートはより少ない通信で正確に回復できることを示す。
論文 参考訳(メタデータ) (2021-02-05T08:52:25Z) - ASAP-NMS: Accelerating Non-Maximum Suppression Using Spatially Aware
Priors [26.835571059909007]
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。
論文 参考訳(メタデータ) (2020-07-19T21:15:48Z) - 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) - Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。
このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。
我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
論文 参考訳(メタデータ) (2020-03-20T09:48:53Z) - Extrapolation Towards Imaginary $0$-Nearest Neighbour and Its Improved
Convergence Rate [13.985534521589257]
そこで我々は,数個の$k ge 1$値から$k=0$まで,未重み付き$k$-NN推定器を外挿する新しいマルチスケール$k$-NN(MS-$k$-NN)を提案する。
提案手法は問合せとその周辺点に適応する最適実数値重みを暗黙的に計算する。
論文 参考訳(メタデータ) (2020-02-08T00:32:12Z)
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。