Fugu-MT 論文翻訳(概要): Determinantal Point Process as an alternative to NMS

論文の概要: Determinantal Point Process as an alternative to NMS

arxiv url: http://arxiv.org/abs/2008.11451v1
Date: Wed, 26 Aug 2020 09:06:11 GMT
ステータス: 処理完了
システム内更新日: 2022-10-24 21:49:03.425789
Title: Determinantal Point Process as an alternative to NMS
Title（参考訳）: NMSに代わる決定点プロセス
Authors: Samik Some, Mithun Das Gupta, Vinay P. Namboodiri
Abstract要約: 非最大抑圧(NMS)に代わるサブセットポイントプロセス(DPP)は、すべての最先端オブジェクト検出フレームワークにおいて不可欠なステップとなっている。我々はNMSをサブセット選択問題とし、DPPライクなフレームワークを直接組み込むことでオブジェクト検出システム全体の性能を向上させることができると仮定する。
参考スコア（独自算出の注目度）: 25.537180573525124
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a determinantal point process (DPP) inspired alternative to non-maximum suppression (NMS) which has become an integral step in all state-of-the-art object detection frameworks. DPPs have been shown to encourage diversity in subset selection problems. We pose NMS as a subset selection problem and posit that directly incorporating DPP like framework can improve the overall performance of the object detection system. We propose an optimization problem which takes the same inputs as NMS, but introduces a novel sub-modularity based diverse subset selection functional. Our results strongly indicate that the modifications proposed in this paper can provide consistent improvements to state-of-the-art object detection pipelines.
Abstract（参考訳）: 我々は、非最大抑圧(NMS)に代わるDPP(Determinantal point process)を考案し、すべての最先端オブジェクト検出フレームワークにおいて不可欠なステップとなった。 DPPはサブセット選択問題の多様性を促進することが示されている。我々はNMSをサブセット選択問題とし、DPPライクなフレームワークを直接組み込むことでオブジェクト検出システム全体の性能を向上させることができると仮定する。我々はNMSと同一の入力を持つ最適化問題を提案するが、新しいサブモジュラリティに基づく多様なサブセット選択関数を導入する。この結果から,本論文で提案する修正は,最先端のオブジェクト検出パイプラインに一貫した改善をもたらすことが示唆された。

関連論文リスト

Localized Distributional Robustness in Submodular Multi-Task Subset Selection [5.116582735311639]
標準マルチタスク目標に対する相対エントロピーを利用する正規化項を提案する。この新規な定式化は、部分モジュラ函数からなる単調増加関数と等価であることを示す。新たな定式化は, 局所的に分布性が高く, 計算コストも低い解を生成すると結論づける。
論文参考訳（メタデータ） (2024-04-04T19:06:29Z)
Dynamically configured physics-informed neural network in topology optimization applications [4.403140515138818]
物理インフォームドニューラルネットワーク(PINN)は、前方問題を解決する際に大量のデータを生成するのを避けることができる。動的に構成された PINN-based Topology Optimization (DCPINN-TO) 法を提案する。変位予測と最適化結果の精度は,DCPINN-TO法が効率的かつ効率的であることを示している。
論文参考訳（メタデータ） (2023-12-12T05:35:30Z)
AbCD: A Component-wise Adjustable Framework for Dynamic Optimization Problems [49.1574468325115]
動的最適化問題 (DOP) は、常に発生し、現実の応用に共通するフィットネス環境の変化によって特徴づけられる。我々は、動的問題のための調整可能なコンポーネント(AbCD)と呼ばれるDOPのためのコンポーネント指向フレームワークを開発する。この結果から,アルゴリズムやコンポーネントの今後の発展に対処する必要があるDOP分野の既存の課題が浮き彫りになる。
論文参考訳（メタデータ） (2023-10-09T08:11:31Z)
AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
論文参考訳（メタデータ） (2023-07-20T09:06:21Z)
Transformer-based Multi-Instance Learning for Weakly Supervised Object Detection [43.481591776038144]
Weakly Supervised Object Detection (WSOD)は、画像レベルのアノテーションのみを使用してオブジェクト検出モデルのトレーニングを可能にする。 Weakly Supervised Transformer Detection Network (WSTDN) をベースとしたWSODのバックボーンを提案する。
論文参考訳（メタデータ） (2023-03-27T08:42:45Z)
Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文参考訳（メタデータ） (2022-10-23T16:15:36Z)
Expert-Guided Symmetry Detection in Markov Decision Processes [0.0]
MDP力学が不変である状態-作用空間の変換の存在を検出することを目的としたパラダイムを提案する。その結果, 検出した対称性を用いて得られたデータを用いてデータセットを拡張した場合, モデル分布シフトが小さくなることがわかった。
論文参考訳（メタデータ） (2021-11-19T16:12:30Z)
Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2021-06-30T03:17:20Z)
Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
論文参考訳（メタデータ） (2021-05-18T04:35:41Z)
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)
Decomposition in Decision and Objective Space for Multi-Modal Multi-Objective Optimization [15.681236469530397]
多モード多目的最適化問題(MMMOP)はパレート最適集合内に複数の部分集合を持つ。一般的な多目的進化的アルゴリズムは、複数の解部分集合を探索するために純粋に設計されていないが、MMMOP向けに設計されたアルゴリズムは、目的空間における劣化した性能を示す。これは、MMMOPに対処するためのより良いアルゴリズムの設計を動機付けている。
論文参考訳（メタデータ） (2020-06-04T03:18:47Z)

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。