論文の概要: Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation

• arxiv url: http://arxiv.org/abs/2008.05676v2
• Date: Wed, 3 Mar 2021 04:51:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 23:14:26.344566
• Title: Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation
• Title（参考訳）: Forest R-CNN:大語彙長手物体検出とインスタンス分割
• Authors: Jialian Wu, Liangchen Song, Tiancai Wang, Qian Zhang, Junsong Yuan
• Abstract要約: 我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。 そこで本研究では,NMS再サンプリング法を提案する。 提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
• 参考スコア（独自算出の注目度）: 75.93960390191262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the previous success of object analysis, detecting and segmenting a large number of object categories with a long-tailed data distribution remains a challenging problem and is less investigated. For a large-vocabulary classifier, the chance of obtaining noisy logits is much higher, which can easily lead to a wrong recognition. In this paper, we exploit prior knowledge of the relations among object categories to cluster fine-grained classes into coarser parent classes, and construct a classification tree that is responsible for parsing an object instance into a fine-grained category via its parent class. In the classification tree, as the number of parent class nodes are significantly less, their logits are less noisy and can be utilized to suppress the wrong/noisy logits existed in the fine-grained class nodes. As the way to construct the parent class is not unique, we further build multiple trees to form a classification forest where each tree contributes its vote to the fine-grained classification. To alleviate the imbalanced learning caused by the long-tail phenomena, we propose a simple yet effective resampling method, NMS Resampling, to re-balance the data distribution. Our method, termed as Forest R-CNN, can serve as a plug-and-play module being applied to most object recognition models for recognizing more than 1000 categories. Extensive experiments are performed on the large vocabulary dataset LVIS. Compared with the Mask R-CNN baseline, the Forest R-CNN significantly boosts the performance with 11.5% and 3.9% AP improvements on the rare categories and overall categories, respectively. Moreover, we achieve state-of-the-art results on the LVIS dataset. Code is available at https://github.com/JialianW/Forest_RCNN.
• Abstract（参考訳）: これまでのオブジェクト分析の成功にもかかわらず、長い尾を持つデータ分布を持つ多数のオブジェクトカテゴリの検出とセグメンテーションは難しい問題であり、研究は少ない。 大語彙分類器では、ノイズの多いロジットを得る確率がはるかに高く、誤認識につながる可能性がある。 本稿では,オブジェクトカテゴリ間の関係の事前知識を利用して,細粒度クラスを粗い親クラスに分類し,オブジェクトインスタンスをその親クラスを介して細粒度カテゴリに解析する責任を負う分類木を構築する。 分類木では、親クラスノードの数が著しく少ないため、それらのロジットはノイズが少なく、きめ細かいクラスノードに存在する間違った/ノイズの多いロジットを抑えるために利用することができる。 親クラスを構築する方法がユニークではないため、さらに複数の木を構築して分類林を形成し、各木がその投票をきめ細かい分類に貢献する。 ロングテール現象による不均衡学習を緩和するために,簡易かつ効果的な再サンプリング法であるnsm再サンプリング法を提案する。 この手法はforest r-cnnと呼ばれ、1000以上のカテゴリを認識するためにほとんどのオブジェクト認識モデルに適用されるプラグアンドプレイモジュールとして機能する。 大規模な語彙データセットLVISで大規模な実験を行う。 マスク r-cnn のベースラインと比較すると、フォレスト r-cnn は11.5% と 3.9% の ap 改善で性能を著しく向上させた。 さらに,LVISデータセットから最先端の成果を得る。 コードはhttps://github.com/jialianw/forest_rcnnで入手できる。

関連論文リスト

• Harnessing Superclasses for Learning from Hierarchical Databases [1.835004446596942]
  多くの大規模分類問題において、クラスは既知の階層に整理され、通常木として表される。 この種の教師付き階層分類の損失について紹介する。 提案手法では,クロスエントロピーの損失に比較して,計算コストの大幅な増大は伴わない。
  論文  参考訳（メタデータ） (2024-11-25T14:39:52Z)
• Informed deep hierarchical classification: a non-standard analysis inspired approach [0.0]
  出力層の前に配置された特定のプロジェクション演算子を備えた多出力ディープニューラルネットワークで構成されている。 このようなアーキテクチャの設計は、LH-DNN(Lexicographic Hybrid Deep Neural Network)と呼ばれ、異なる研究分野と非常に離れた研究分野のツールを組み合わせることで実現されている。 アプローチの有効性を評価するために、階層的な分類タスクに適した畳み込みニューラルネットワークであるB-CNNと比較する。
  論文  参考訳（メタデータ） (2024-09-25T14:12:50Z)
• Early-Exit with Class Exclusion for Efficient Inference of Neural Networks [4.180653524441411]
  ディープニューラルネットワーク(DNN)における動的推論のためのクラスベース早期抽出法を提案する。 これらのレイヤで学んだ機能を活用して、可能な限り多くの無関係なクラスを除外します。 実験により、推論におけるDNNの計算コストを大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2023-09-23T18:12:27Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• A Topological Data Analysis Based Classifier [1.6668132748773563]
  本稿では,多クラス分類問題に直接トポロジカルデータ解析を適用するアルゴリズムを提案する。 提案アルゴリズムは,データセット上にフィルタされた単純複合体を構築する。 提案手法は平均してKNNと重み付きKNNよりも優れていた。
  論文  参考訳（メタデータ） (2021-11-09T15:54:16Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
  本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。 主な原因は、オブジェクト提案の不正確な分類である。 そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T12:49:07Z)
• A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers [54.996358399108566]
  本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。 最先端のきめ細かい分類器と比較する。 実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-03-24T23:49:14Z)
• Equalization Loss for Long-Tailed Object Recognition [109.91045951333835]
  最先端のオブジェクト検出手法は、大きな語彙と長い尾を持つデータセットでは依然として不十分である。 そこで本稿では,長期的希少なカテゴリーの課題に対処するために,同化損失という,シンプルだが効果的な損失を提案する。 LVISベンチマークでは,レアおよび共通カテゴリのAP利得が4.1%,レアおよび共通カテゴリが4.8%である。
  論文  参考訳（メタデータ） (2020-03-11T09:14:53Z)

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。