論文の概要: AP-Loss for Accurate One-Stage Object Detection
- arxiv url: http://arxiv.org/abs/2008.07294v1
- Date: Mon, 17 Aug 2020 13:22:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 03:59:57.739566
- Title: AP-Loss for Accurate One-Stage Object Detection
- Title(参考訳): 高精度1段階物体検出のためのAP-Loss
- Authors: Kean Chen, Weiyao Lin, Jianguo Li, John See, Ji Wang, Junni Zou
- Abstract要約: 一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。
前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。
本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
- 参考スコア(独自算出の注目度): 49.13608882885456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One-stage object detectors are trained by optimizing classification-loss and
localization-loss simultaneously, with the former suffering much from extreme
foreground-background class imbalance issue due to the large number of anchors.
This paper alleviates this issue by proposing a novel framework to replace the
classification task in one-stage detectors with a ranking task, and adopting
the Average-Precision loss (AP-loss) for the ranking problem. Due to its
non-differentiability and non-convexity, the AP-loss cannot be optimized
directly. For this purpose, we develop a novel optimization algorithm, which
seamlessly combines the error-driven update scheme in perceptron learning and
backpropagation algorithm in deep networks. We provide in-depth analyses on the
good convergence property and computational complexity of the proposed
algorithm, both theoretically and empirically. Experimental results demonstrate
notable improvement in addressing the imbalance issue in object detection over
existing AP-based optimization algorithms. An improved state-of-the-art
performance is achieved in one-stage detectors based on AP-loss over detectors
using classification-losses on various standard benchmarks. The proposed
framework is also highly versatile in accommodating different network
architectures. Code is available at https://github.com/cccorn/AP-loss .
- Abstract(参考訳): 1段階の物体検出器は、分類損失と局在損失を同時に最適化することで訓練され、前者はアンカーの数が多ければ多いため、極度のフォアグラウンドバックグラウンドクラス不均衡に苦しむ。
本稿では,一段検出器の分類タスクをランキングタスクに置き換える新しい枠組みを提案し,平均精度損失(AP損失)をランキング問題に適用することによってこの問題を軽減する。
非微分性と非凸性のため、ap損失は直接最適化できない。
そこで本研究では,深層ネットワークにおけるパーセプトロン学習とバックプロパゲーションアルゴリズムの誤り駆動更新スキームをシームレスに組み合わせた新しい最適化アルゴリズムを開発した。
本稿では,提案アルゴリズムの収束特性と計算複雑性について,理論的および経験的に詳細に解析する。
実験の結果,既存のAPベース最適化アルゴリズムよりもオブジェクト検出における不均衡問題に対処する上で,顕著な改善が見られた。
各種標準ベンチマークの分類量を用いたAPロスオーバー検出器に基づく1段検出器において,最先端性能の向上が達成されている。
提案するフレームワークは、異なるネットワークアーキテクチャを収容する上でも非常に多用途である。
コードはhttps://github.com/cccorn/ap-lossで入手できる。
関連論文リスト
- 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) - Rank-Based Learning and Local Model Based Evolutionary Algorithm for
High-Dimensional Expensive Multi-Objective Problems [1.1470070927586018]
提案アルゴリズムは, ランクベース学習, ハイパーボリュームベース非支配探索, 比較的スパースな対象空間における局所探索の3つの部分からなる。
地熱貯留層熱抽出最適化におけるベンチマーク問題と実世界の応用の実験的結果は,提案アルゴリズムが優れた性能を示すことを示すものである。
論文 参考訳(メタデータ) (2023-04-19T06:25:04Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Revisiting AP Loss for Dense Object Detection: Adaptive Ranking Pair
Selection [19.940491797959407]
本研究では, 平均精度 (AP) の損失を再考し, その重要な要素は, 正試料と負試料のランキングペアを選択することであることを明らかにした。
本稿では,AP損失を改善するための2つの方法を提案する。第1に,APE(Adaptive Pairwise Error)損失は,正と負の両方のサンプルにおいて,ペアのランク付けに重点を置いている。
MSCOCOデータセットで行った実験は、現在の分類とランキングの損失と比較して、提案手法の優位性を実証し、分析を支援した。
論文 参考訳(メタデータ) (2022-07-25T10:33:06Z) - Modulating Localization and Classification for Harmonized Object
Detection [40.82723262074911]
2つのタスクを変調する相互学習フレームワークを提案する。
特に,2つのタスクは,新たな相互ラベル付け戦略によって互いに学習することを余儀なくされる。
COCOデータセットのベースライン検出器に対する大幅なパフォーマンス向上を実現しました。
論文 参考訳(メタデータ) (2021-03-16T10:36:02Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Discretization-Aware Architecture Search [81.35557425784026]
本稿では,離散化対応アーキテクチャサーチ(DAtextsuperscript2S)を提案する。
中心となる考え方は、超ネットワークを所望のトポロジの構成に向けることであり、離散化による精度損失がほとんど軽減される。
標準画像分類ベンチマークの実験は、我々のアプローチの優位性を実証している。
論文 参考訳(メタデータ) (2020-07-07T01:18:58Z) - Pairwise Supervised Hashing with Bernoulli Variational Auto-Encoder and
Self-Control Gradient Estimator [62.26981903551382]
バイナリ潜在変数を持つ変分自動エンコーダ(VAE)は、文書検索の精度の観点から最先端のパフォーマンスを提供する。
本稿では、クラス内類似度とクラス間類似度に報いるために、個別潜伏型VAEを用いたペアワイズ損失関数を提案する。
この新しいセマンティックハッシュフレームワークは、最先端技術よりも優れたパフォーマンスを実現する。
論文 参考訳(メタデータ) (2020-05-21T06:11:33Z) - Weighted Aggregating Stochastic Gradient Descent for Parallel Deep
Learning [8.366415386275557]
解決策には、ニューラルネットワークモデルにおける最適化のための目的関数の修正が含まれる。
本稿では,地方労働者のパフォーマンスに基づく分散型重み付けアグリゲーション方式を提案する。
提案手法を検証するため,提案手法をいくつかの一般的なアルゴリズムと比較した。
論文 参考訳(メタデータ) (2020-04-07T23:38:29Z)
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。