論文の概要: Semi-Anchored Detector for One-Stage Object Detection

• arxiv url: http://arxiv.org/abs/2009.04989v1
• Date: Thu, 10 Sep 2020 16:57:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 03:55:12.198675
• Title: Semi-Anchored Detector for One-Stage Object Detection
• Title（参考訳）: 一段階物体検出用半アンカー検出器
• Authors: Lei Chen, Qi Qian, Hao Li
• Abstract要約: 標準の1段検出器は、分類と回帰の2つのタスクで構成されている。 ResNet-101をバックボーンとし、提案されたセミアンコール検出器はCOCOデータセット上で43.6%のmAPを達成する。
• 参考スコア（独自算出の注目度）: 24.42034747738174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A standard one-stage detector is comprised of two tasks: classification and regression. Anchors of different shapes are introduced for each location in the feature map to mitigate the challenge of regression for multi-scale objects. However, the performance of classification can degrade due to the highly class-imbalanced problem in anchors. Recently, many anchor-free algorithms have been proposed to classify locations directly. The anchor-free strategy benefits the classification task but can lead to sup-optimum for the regression task due to the lack of prior bounding boxes. In this work, we propose a semi-anchored framework. Concretely, we identify positive locations in classification, and associate multiple anchors to the positive locations in regression. With ResNet-101 as the backbone, the proposed semi-anchored detector achieves 43.6% mAP on COCO data set, which demonstrates the state-of-art performance among one-stage detectors.
• Abstract（参考訳）: 標準の1段階検出器は、分類と回帰の2つのタスクで構成されている。 様々な形状のアンカーが機能マップの各場所に導入され、マルチスケールオブジェクトの回帰の課題を軽減する。 しかし,アンカーのクラス不均衡問題により分類性能が低下する可能性がある。 近年,位置を直接分類するアンカーフリーアルゴリズムが多数提案されている。 アンカーフリー戦略は、分類タスクの恩恵を受けるが、事前のバウンディングボックスがないため、回帰タスクの最適化につながる可能性がある。 本研究では,セミアンコールフレームワークを提案する。 具体的には,分類の正の位置を特定し,複数のアンカーを回帰の正の位置に関連付ける。 ResNet-101をバックボーンとし、提案された半アンコール検出器はCOCOデータセット上で43.6%のmAPを達成する。

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)
• S4OD: Semi-Supervised learning for Single-Stage Object Detection [17.44592826610368]
  単段検出器は、極端に前景の階級不均衡に苦しむが、2段検出器は動かない。 半教師対象検出では、高品質な擬似ラベルのみを選択することで、2段階検出器が優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-04-09T15:19:37Z)
• Toward Minimal Misalignment at Minimal Cost in One-Stage and Anchor-Free Object Detection [6.486325109549893]
  分類と回帰の分岐は、同じ規模と同じ空間的位置から特徴に対して異なる感受性を持つ。 本稿では,高い分類信頼点が高い回帰品質を持つという仮定に基づいて,点に基づく予測手法を提案する。 我々は,この現象を最小限のコストで解決することを目指しており,頭部ネットワークの微調整と,剛体ネットワークを置き換えた新しいラベル割り当て手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T14:22:13Z)
• I^3Net: Implicit Instance-Invariant Network for Adapting One-Stage Object Detectors [64.93963042395976]
  暗黙のInstance-Invariant Network(I3Net)は、ワンステージ検出器の適応に適しています。 i3netは、異なる層における深い特徴の自然な特徴を利用してインスタンス不変な特徴を暗黙的に学習する。 実験によると、I3Netはベンチマークデータセットの最先端のパフォーマンスを上回っている。
  論文  参考訳（メタデータ） (2021-03-25T11:14:36Z)
• Anchor-Free Person Search [127.88668724345195]
  パーソンサーチ(person search)は、クエリーの人物を同時にローカライズし、特定することを目的としている。 既存の作品の多くはfaster-rcnnのような2段検出器を採用しており、精度は高いが計算オーバーヘッドは高い。 この課題に効率的に取り組む最初のアンカーフリーフレームワークであるFeature-Aligned Person Search Network(AlignPS)を紹介します。
  論文  参考訳（メタデータ） (2021-03-22T07:04:29Z)
• 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)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
  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。
  論文  参考訳（メタデータ） (2020-08-17T13:22:01Z)
• Probabilistic Anchor Assignment with IoU Prediction for Object Detection [9.703212439661097]
  オブジェクト検出では、どのアンカーを正または負のサンプルとして割り当てるか、すなわちアンカー代入(アンカー代入)がモデルの性能に大きく影響を与えるコアプロシージャとして明らかにされている。 本稿では,モデルの学習状況に応じて,アンカーを正と負のサンプルに適応的に分離する新しいアンカー代入戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-16T04:26:57Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。