論文の概要: Dive Deeper Into Box for Object Detection

• arxiv url: http://arxiv.org/abs/2007.14350v1
• Date: Wed, 15 Jul 2020 07:49:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 06:11:00.220006
• Title: Dive Deeper Into Box for Object Detection
• Title（参考訳）: オブジェクト検出のためのboxに深く潜り込む
• Authors: Ran Chen, Yong Liu, Mengdan Zhang, Shu Liu, Bei Yu, and Yu-Wing Tai
• Abstract要約: そこで我々は,より正確な位置決めを行うために,ボックスに深く潜り込むことができるボックス再構成手法(DDBNet)を提案する。 実験結果から,本手法はオブジェクト検出の最先端性能に寄与する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 49.923586776690115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anchor free methods have defined the new frontier in state-of-the-art object detection researches where accurate bounding box estimation is the key to the success of these methods. However, even the bounding box has the highest confidence score, it is still far from perfect at localization. To this end, we propose a box reorganization method(DDBNet), which can dive deeper into the box for more accurate localization. At the first step, drifted boxes are filtered out because the contents in these boxes are inconsistent with target semantics. Next, the selected boxes are broken into boundaries, and the well-aligned boundaries are searched and grouped into a sort of optimal boxes toward tightening instances more precisely. Experimental results show that our method is effective which leads to state-of-the-art performance for object detection.
• Abstract（参考訳）: アンカーフリーメソッドは最先端のオブジェクト検出研究の新しいフロンティアを定義しており、正確なバウンディングボックス推定がこれらの手法の成功の鍵となっている。 しかし、バウンディングボックスの信頼性スコアが最も高いとしても、ローカライゼーションでは完璧には程遠い。 そこで本研究では,より正確な位置推定を行うために,ボックス内を深く掘り下げることができるボックス再構成手法(DDBNet)を提案する。 最初のステップでは、これらのボックスのコンテンツがターゲットセマンティクスと矛盾するため、ドリフトボックスをフィルタリングする。 次に、選択されたボックスを境界に分割し、適切に整列されたバウンダリを検索し、より正確にインスタンスを締め付けるための、ある種の最適なボックスにグループ化する。 実験の結果,提案手法はオブジェクト検出に最先端の性能をもたらす有効性が示された。

関連論文リスト

• Theoretically Achieving Continuous Representation of Oriented Bounding Boxes [64.15627958879053]
  本論文は,オブジェクト指向境界ボックス表現における不連続性を完全に解決しようとする試みである。 本研究では,既存の検出器に容易に統合可能なCOBB(Continuous OBB)という新しい表現法を提案する。 OOD評価のためのオープンソースのディープラーニングフレームワークJittorの検出ツールボックスJDetをベースとした,モジュール化されたベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-29T09:27:40Z)
• Shape-IoU: More Accurate Metric considering Bounding Box Shape and Scale [5.8666339171606445]
  形状IoU法は、バウンディングボックス自体の形状とスケールに着目して損失を算出することができる。 本手法は, 検出性能を効果的に向上し, 既存の手法よりも優れ, 異なる検出タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-12-29T16:05:02Z)
• Point2RBox: Combine Knowledge from Synthetic Visual Patterns for End-to-end Oriented Object Detection with Single Point Supervision [81.60564776995682]
  我々は、ポイント教師付きオブジェクト検出のためのエンドツーエンドソリューションであるPoint2RBoxを提案する。 提案手法は軽量なパラダイムを用いているが,点教師付き代替品間での競合性能を実現する。 特に,本手法は軽量なパラダイムを用いるが,点教師付き代替品間での競合性能を実現する。
  論文  参考訳（メタデータ） (2023-11-23T15:57:41Z)
• Split, Merge, and Refine: Fitting Tight Bounding Boxes via Over-Segmentation and Iterative Search [15.29167642670379]
  本稿では,3次元形状の密接な束縛箱の集合を,過剰な分割と反復的なマージと精錬によって見つけるための新しい枠組みを提案する。 思慮深い評価により、トレーニングデータや監督を必要とせず、完全なカバレッジ、厳密さ、適切な数のバウンディングボックスを提示する。
  論文  参考訳（メタデータ） (2023-04-10T00:25:15Z)
• Rigidity-Aware Detection for 6D Object Pose Estimation [60.88857851869196]
  最近の6Dオブジェクトのポーズ推定方法は、最初にオブジェクト検出を使用して2Dバウンディングボックスを取得し、実際にポーズを回帰する。 本研究では,6次元ポーズ推定において対象物体が剛性であるという事実を利用した剛性認識検出手法を提案する。 このアプローチの成功の鍵となるのは可視性マップであり、これは境界ボックス内の各ピクセルとボックス境界の間の最小障壁距離を用いて構築することを提案する。
  論文  参考訳（メタデータ） (2023-03-22T09:02:54Z)
• Weakly Supervised Image Segmentation Beyond Tight Bounding Box Annotations [5.000514512377416]
  本研究では,ゆるい拘束箱を監督として使用する場合,セグメンテーション性能を良好に維持できるかどうかを検討する。 提案した極変換に基づくMIL定式化は、タイトかつゆるいバウンディングボックスの両方で機能する。 その結果, 提案手法は, 任意の精度でバウンディングボックスの最先端性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-01-28T02:11:36Z)
• H2RBox: Horizonal Box Annotation is All You Need for Oriented Object Detection [63.66553556240689]
  オブジェクト指向物体検出は、空中画像から自律運転に至るまで、多くの用途に現れる。 多くの既存の検出ベンチマークには水平バウンディングボックスがアノテートされているが、これはきめ細かな回転ボックスよりもコストが低い。 本稿では,H2RBoxと呼ばれる単純なオブジェクト指向検出手法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T05:12:45Z)
• Boundary Distribution Estimation for Precise Object Detection [12.247010914825971]
  オブジェクト検出の分野では、オブジェクトのローカライゼーションのタスクは、バウンディングボックスのレグレッションに重点を置いて達成されるのが一般的である。 これは伝統的に、ボックスの中央の位置とスケーリング要素を後退させることで、オブジェクトの位置を予測する。 本稿では,従来の手法の欠点を理論的解析と実験的検証によって解決する。 本手法は,物体の境界における推定分布に基づいてボックスエッジを精製することにより,境界ボックスの局所化の精度を高める。
  論文  参考訳（メタデータ） (2021-11-02T06:58:22Z)
• Oriented Bounding Boxes for Small and Freely Rotated Objects [7.6997148655751895]
  任意のサイズの自由回転物体を処理する新しい物体検出方法を提示する。 この方法は、グリッドセル位置におけるターゲットオブジェクトの特徴の正確な位置と向きを符号化する。 xView と DOTA データセットの評価から,提案手法は既存の最先端手法よりも一様に性能を向上することが示された。
  論文  参考訳（メタデータ） (2021-04-24T02:04:49Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)

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。