論文の概要: Confluence: A Robust Non-IoU Alternative to Non-Maxima Suppression in Object Detection

• arxiv url: http://arxiv.org/abs/2012.00257v1
• Date: Tue, 1 Dec 2020 04:22:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 07:41:36.860989
• Title: Confluence: A Robust Non-IoU Alternative to Non-Maxima Suppression in Object Detection
• Title（参考訳）: Confluence:オブジェクト検出における非最大抑圧に対するロバストな非IoU代替
• Authors: Andrew Shepley, Greg Falzon, Paul Kwan
• Abstract要約: Confluenceは、最適なバウンディングボックスを選択するために、個々の信頼度スコアのみに依存するアルゴリズムである。 MS COCOとPASCAL VOC 2007のデータセットを使用して、RetinaNet、YOLOv3、Mask-RCNNで実験的に検証されている。 Confluenceは、両方のmAPでGreedy NMSを上回り、両方のデータセットでリコールする。
• 参考スコア（独自算出の注目度）: 0.570896453969985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel alternative to Greedy Non-Maxima Suppression (NMS) in the task of bounding box selection and suppression in object detection. It proposes Confluence, an algorithm which does not rely solely on individual confidence scores to select optimal bounding boxes, nor does it rely on Intersection Over Union (IoU) to remove false positives. Using Manhattan Distance, it selects the bounding box which is closest to every other bounding box within the cluster and removes highly confluent neighboring boxes. Thus, Confluence represents a paradigm shift in bounding box selection and suppression as it is based on fundamentally different theoretical principles to Greedy NMS and its variants. Confluence is experimentally validated on RetinaNet, YOLOv3 and Mask-RCNN, using both the MS COCO and PASCAL VOC 2007 datasets. Confluence outperforms Greedy NMS in both mAP and recall on both datasets, using the challenging 0.50:0.95 mAP evaluation metric. On each detector and dataset, mAP was improved by 0.3-0.7% while recall was improved by 1.4-2.5%. A theoretical comparison of Greedy NMS and the Confluence Algorithm is provided, and quantitative results are supported by extensive qualitative results analysis. Furthermore, sensitivity analysis experiments across mAP thresholds support the conclusion that Confluence is more robust than NMS.
• Abstract（参考訳）: 本稿では,物体検出におけるボックス選択と抑制のタスクにおいて,Greedy Non-Maxima Suppression (NMS) に代わる新しい方法を提案する。 最適なバウンディングボックスを選択するために個々の信頼度スコアのみに依存しないアルゴリズムであるconfluenceや、偽陽性を取り除くためにiou(intersection over union)に依存するアルゴリズムを提案する。 マンハッタン距離を用いて、クラスタ内の他の全てのバウンディングボックスに最も近いバウンディングボックスを選択し、高度に合流した隣り合うボックスを削除する。 このように、Confluenceは、Greedy NMSとその変種に対する根本的に異なる理論原理に基づいているため、境界ボックスの選択と抑制のパラダイムシフトを表している。 MS COCOとPASCAL VOC 2007データセットを使用して、RetinaNet、YOLOv3、Mask-RCNNでコンフルエンスを実験的に検証した。 Confluenceは、難易度0.50:0.95 mAP評価基準を使用して、両方のmAPでGreedy NMSを上回り、両方のデータセットでリコールする。 各検出器とデータセットでは、mAPは0.3-0.7%改善され、リコールは1.4-2.5%改善された。 グリーディ nms と合流アルゴリズムの理論的比較を行い, 定量的な結果を広範囲な定性的結果解析により支援する。 さらに、mAP閾値に対する感度解析実験は、ConfluenceがNMSよりも堅牢であるという結論を支持している。

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)
• Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
  半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。 スパース・アンミキシングの代替手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-23T10:07:41Z)
• Fuzzy-NMS: Improving 3D Object Detection with Fuzzy Classification in NMS [19.452760776980472]
  非最大抑圧(NMS)は、多くの3Dオブジェクト検出フレームワークで使用される重要な後処理モジュールである。 ファジィ学習をNMSに導入し、より詳細な候補境界ボックスフィルタリングを実現するための一般化されたファジィ-NMSモジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-21T09:09:03Z)
• DIFUSCO: Graph-based Diffusion Solvers for Combinatorial Optimization [51.517956081644186]
  グラフベースの拡散フレームワークであるDIFUSCOを導入する。 本フレームワークは, NPC問題を離散0, 1ベクトル最適化問題とみなす。 MIS問題に対して、DIFUSCOは、挑戦的なSATLIBベンチマークにおいて、以前の最先端のニューラルソルバよりも優れている。
  論文  参考訳（メタデータ） (2023-02-16T11:13:36Z)
• Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
  クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。 本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。 提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
  論文  参考訳（メタデータ） (2023-01-03T05:38:43Z)
• A Large-scale Multiple-objective Method for Black-box Attack against Object Detection [70.00150794625053]
  我々は、真正の確率を最小化し、偽正の確率を最大化し、より多くの偽正の物体が新しい真正の有界箱を作らないようにする。 我々は、GARSDCと呼ばれるランダム・サブセット選択とディバイド・アンド・コンカーによる標準的な遺伝的アルゴリズムを拡張し、効率を大幅に改善する。 最先端攻撃法と比較して、GARSDCはmAPでは平均12.0、広範囲な実験ではクエリでは約1000倍減少する。
  論文  参考訳（メタデータ） (2022-09-16T08:36:42Z)
• Confidence Propagation Cluster: Unleash Full Potential of Object Detectors [8.996530151621661]
  ほとんどのオブジェクト検出方法は、非最大抑圧(NMS)とSoft-NMSのような改良版を用いてオブジェクトを取得し、冗長なバウンディングボックスを除去する。 1) 信頼度が高いバウンディングボックスは, 基本トラストボックスと最大の重なりを持つ真の正ではなく, 2) 冗長ボックスには抑制が必要であり, 真の正の場合には信頼性向上も必要である, 3) 完全並列性を実現するためには, 信頼値で候補ボックスをソートする必要がなくなる,という3つの側面からNMSベースの手法に挑戦する。 本稿では,信念の伝播(BP)に触発されて提案する。
  論文  参考訳（メタデータ） (2021-12-01T08:22:00Z)
• Localization Uncertainty-Based Attention for Object Detection [8.154943252001848]
  ガウスモデルを用いて, 4方向位置決めの不確かさを予測できる, より効率的な不確実性認識型高密度検出器 (UADET) を提案する。 MS COCOベンチマークを用いた実験によると、UADETはベースラインFCOSを一貫して上回り、最高のモデルであるResNext-64x4d-101-DCNは、COCOテストデーブで48.3%の単一スケールAPを得る。
  論文  参考訳（メタデータ） (2021-08-25T04:32:39Z)
• NMS-Loss: Learning with Non-Maximum Suppression for Crowded Pedestrian Detection [39.417540296897194]
  ネットワークパラメータを追加せずにNMSプロシージャをエンドツーエンドにトレーニングできる新しいNMS-Lossを提案する。 我々のNMS-ロスは、FPが抑制されず、FNがNMSによって誤って排除された2つの症例を罰する。 NMS-Lossの助けを借りて、我々の検出器、すなわちNMS-Pedは、CityPersonsデータセットで5.92%、CityPersonsデータセットで10.08%のミスレートで印象的な結果を得る。
  論文  参考訳（メタデータ） (2021-06-04T12:06:46Z)
• LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial Attack [74.5144793386864]
  LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。 LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
  論文  参考訳（メタデータ） (2021-03-19T13:10:47Z)
• Quantum-soft QUBO Suppression for Accurate Object Detection [8.871042314510788]
  非最大抑制(NMS)は、何十年にもわたって冗長なオブジェクト検出を除去するために、デフォルトで採用されている。 量子コンピューティングの利点を生かした高速かつ正確な検出のための量子ソフトQUBO抑圧アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-28T05:12:51Z)

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。