論文の概要: Dynamic Feature Pyramid Networks for Object Detection
- arxiv url: http://arxiv.org/abs/2012.00779v1
- Date: Tue, 1 Dec 2020 19:03:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-30 19:43:56.631880
- Title: Dynamic Feature Pyramid Networks for Object Detection
- Title（参考訳）: 物体検出のための動的特徴ピラミッドネットワーク
- Authors: Mingjian Zhu, Kai Han, Changbin Yu, Yunhe Wang
- Abstract要約: 本稿では,各層に異なるカーネルサイズを持つ畳み込みフィルタを組み込んで,受容場を拡大するFPNを提案する。
計算コストの異なる複数の分岐からなる新しい動的FPN(DyFPN)を提案する。
ベンチマーク実験により,提案したDyFPNは計算資源の最適割り当てにより性能を著しく向上することが示された。
- 参考スコア（独自算出の注目度）: 40.24111664691307
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies feature pyramid network (FPN), which is a widely used
module for aggregating multi-scale feature information in the object detection
system. The performance gain in most of the existing works is mainly
contributed to the increase of computation burden, especially the floating
number operations (FLOPs). In addition, the multi-scale information within each
layer in FPN has not been well investigated. To this end, we first introduce an
inception FPN in which each layer contains convolution filters with different
kernel sizes to enlarge the receptive field and integrate more useful
information. Moreover, we point out that not all objects need such a
complicated calculation module and propose a new dynamic FPN (DyFPN). Each
layer in the DyFPN consists of multiple branches with different computational
costs. Specifically, the output features of DyFPN will be calculated by using
the adaptively selected branch according to a learnable gating operation.
Therefore, the proposed method can provide a more efficient dynamic inference
for achieving a better trade-off between accuracy and detection performance.
Extensive experiments conducted on benchmarks demonstrate that the proposed
DyFPN significantly improves performance with the optimal allocation of
computation resources. For instance, replacing the FPN with the inception FPN
improves detection accuracy by 1.6 AP using the Faster R-CNN paradigm on COCO
minival, and the DyFPN further reduces about 40% of its FLOPs while maintaining
similar performance.
- Abstract（参考訳）: 本稿では,オブジェクト検出システムにおいて,マルチスケール特徴情報を集約するためのモジュールであるピラミッドネットワーク(fpn)について述べる。
既存の作業の大部分のパフォーマンス向上は、主に計算負荷の増加、特に浮動小数点演算(FLOP)に寄与している。
さらに,FPNの各層内のマルチスケール情報についても検討されていない。
この目的のために、まず、各層が異なるカーネルサイズを持つ畳み込みフィルタを含み、受容フィールドを拡大し、より有用な情報を統合したインセプションfpnを導入する。
さらに、全てのオブジェクトがそのような複雑な計算モジュールを必要とするわけではないことを指摘し、新しい動的FPN(DyFPN)を提案する。
DyFPNの各レイヤは計算コストの異なる複数のブランチで構成されている。
具体的には、学習可能なゲーティング操作に応じて適応的に選択された分岐を用いてDyFPNの出力特性を算出する。
そのため,提案手法は,精度と検出性能のトレードオフを向上するための,より効率的な動的推論を提供することができる。
ベンチマーク実験により,提案したDyFPNは計算資源の最適割り当てにより性能を著しく向上することが示された。
例えば、FPNをFPNに置き換えることで、COCOミニバル上のFaster R-CNNパラダイムを使用した1.6 APによる検出精度が向上し、DyFPNは同様の性能を維持しながらFLOPの約40%を削減する。
関連論文リスト
- Algorithm-Hardware Co-Design of Distribution-Aware Logarithmic-Posit Encodings for Efficient DNN Inference [4.093167352780157]
本稿では,ポジトリにインスパイアされた適応型ハードウェアフレンドリなデータ型であるLogarithmic Posits (LP)を紹介する。
また,LPQ(LP Quantization, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化, LP量子化)
論文 参考訳（メタデータ） (2024-03-08T17:28:49Z) - Receptive Field-based Segmentation for Distributed CNN Inference
Acceleration in Collaborative Edge Computing [93.67044879636093]
協調エッジコンピューティングネットワークにおける分散畳み込みニューラルネットワーク(CNN)を用いた推論高速化について検討する。
我々は,CNNモデルを複数の畳み込み層に分割するために,融合層並列化を用いた新しい協調エッジコンピューティングを提案する。
論文 参考訳（メタデータ） (2022-07-22T18:38:11Z) - Transformer-based Context Condensation for Boosting Feature Pyramids in
Object Detection [77.50110439560152]
現在の物体検出器は、通常マルチレベル特徴融合(MFF)のための特徴ピラミッド(FP)モジュールを持つ。
我々は,既存のFPがより優れたMFF結果を提供するのに役立つ,新しい,効率的なコンテキストモデリング機構を提案する。
特に,包括的文脈を2種類の表現に分解・凝縮して高効率化を図っている。
論文 参考訳（メタデータ） (2022-07-14T01:45:03Z) - A^2-FPN: Attention Aggregation based Feature Pyramid Network for
Instance Segmentation [68.10621089649486]
アテンションアグリゲーションに基づく機能ピラミッドネットワーク(A2-FPN)を提案し、マルチスケール機能学習を改善します。
A2-FPNは、Cascade Mask R-CNNやHybrid Task Cascadeといった強力なベースラインに統合された場合、2.0%と1.4%のマスクAPを改善する。
論文 参考訳（メタデータ） (2021-05-07T11:51:08Z) - Implicit Feature Pyramid Network for Object Detection [22.530998243247154]
物体検出のための暗黙的特徴ピラミッドネットワーク(i-FPN)を提案する。
本稿では,深平衡モデル(DEQ)で最近導入された暗黙関数を用いてFPNの変換をモデル化する。
MSデータセットによる実験結果から,i-FPNはベースライン検出器と比較して検出性能を大幅に向上することが示された。
論文 参考訳（メタデータ） (2020-12-25T11:30:27Z) - Fine-Grained Dynamic Head for Object Detection [68.70628757217939]
本稿では,各インスタンスの異なるスケールからfpn特徴の画素レベルの組み合わせを条件付きで選択する,きめ細かい動的ヘッドを提案する。
実験は,いくつかの最先端検出ベンチマークにおける提案手法の有効性と有効性を示す。
論文 参考訳（メタデータ） (2020-12-07T08:16:32Z) - iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。
IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。
IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
論文 参考訳（メタデータ） (2020-06-23T02:57:29Z) - ResFPN: Residual Skip Connections in Multi-Resolution Feature Pyramid
Networks for Accurate Dense Pixel Matching [10.303618438296981]
特徴ピラミッドネットワーク(FPN)は,CNNに基づく密マッチングタスクに適した特徴抽出器であることが証明されている。
複数の残差スキップ接続を有する多分解能特徴ピラミッドネットワークであるResFPNを提案する。
アブレーション実験では,FPNよりも明らかに高い精度で新しいアーキテクチャの有効性を実証した。
論文 参考訳（メタデータ） (2020-06-22T13:31:31Z)
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。