論文の概要: CIA-SSD: Confident IoU-Aware Single-Stage Object Detector From Point Cloud

• arxiv url: http://arxiv.org/abs/2012.03015v1
• Date: Sat, 5 Dec 2020 12:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-05-22 12:05:53.163203
• Title: CIA-SSD: Confident IoU-Aware Single-Stage Object Detector From Point Cloud
• Title（参考訳）: CIA-SSD:ポイントクラウドからIoU対応のシングルステージオブジェクト検出器を発見
• Authors: Wu Zheng, Weiliang Tang, Sijin Chen, Li Jiang, Chi-Wing Fu
• Abstract要約: 我々は、CIA-SSD(Confident IoU-Aware Single-Stage Object Detector)と呼ばれる新しい単段検出器を提案する。 CIA-SSDは、境界ボックスの正確な予測と分類信頼性のために、高レベルの抽象的特徴と低レベルの空間的特徴を適応的に融合する。 公式ランキングでトップパフォーマンスを記録し、32 FPSの推論速度を上回ります。
• 参考スコア（独自算出の注目度）: 40.871850077528485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing single-stage detectors for locating objects in point clouds often treat object localization and category classification as separate tasks, so the localization accuracy and classification confidence may not well align. To address this issue, we present a new single-stage detector named the Confident IoU-Aware Single-Stage object Detector (CIA-SSD). First, we design the lightweight Spatial-Semantic Feature Aggregation module to adaptively fuse high-level abstract semantic features and low-level spatial features for accurate predictions of bounding boxes and classification confidence. Also, the predicted confidence is further rectified with our designed IoU-aware confidence rectification module to make the confidence more consistent with the localization accuracy. Based on the rectified confidence, we further formulate the Distance-variant IoU-weighted NMS to obtain smoother regressions and avoid redundant predictions. We experiment CIA-SSD on 3D car detection in the KITTI test set and show that it attains top performance in terms of the official ranking metric (moderate AP 80.28%) and above 32 FPS inference speed, outperforming all prior single-stage detectors. The code is available at https://github.com/Vegeta2020/CIA-SSD.
• Abstract（参考訳）: 点雲中の物体を位置決めするための既存の単段検出器は、しばしば物体の局所化と分類を別のタスクとして扱うため、位置決め精度と分類信頼性はよく一致しない。 この問題に対処するため、CIA-SSD(Confident IoU-Aware Single-Stage Object Detector)と呼ばれる新しい単段検出器を提案する。 まず,高度に抽象的な意味的特徴と低レベルの空間的特徴を適応的に融合させ,境界ボックスの正確な予測と分類信頼度を得る軽量な空間論的特徴集約モジュールを設計した。 また,我々の設計したiou-aware confidence rectificationモジュールにより予測信頼度をさらに補正し,信頼度を局所化精度と一致させる。 補正された信頼度に基づいて、距離可変IoU重み付きNMSをさらに定式化し、よりスムーズな回帰を求め、冗長な予測を避ける。 我々は、KITTIテストセットでCIA-SSDを3Dカー検出実験し、公式のランキング基準(AP 80.28%)と32 FPS推論速度で最高性能を達成し、以前の全単段検出器より優れていたことを示す。 コードはhttps://github.com/vegeta2020/cia-ssdで入手できる。

関連論文リスト

• UncTrack: Reliable Visual Object Tracking with Uncertainty-Aware Prototype Memory Network [75.9933952886197]
  UncTrackは、標的位置の不確実性を予測する新しい不確実性対応トランスフォーマーである。 本手法は実験における他の最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2025-03-17T07:33:16Z)
• NIV-SSD: Neighbor IoU-Voting Single-Stage Object Detector From Point Cloud [17.134983202997034]
  以前の単段検出器は典型的には、位置決め精度と分類精度の相違に悩まされる。 近隣のIoU-voting(NIV)戦略という新しい補正手法を導入する。 そこで本研究では,オブジェクト再サンプリングというデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-01-23T02:25:23Z)
• ConfMix: Unsupervised Domain Adaptation for Object Detection via Confidence-based Mixing [32.679280923208715]
  オブジェクト検出のための教師なしドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを適用して、アノテーションが利用できない新しいターゲットドメインからインスタンスを検出することを目的としている。 適応型物体検出学習のための領域レベルの検出信頼度に基づくサンプル混合戦略を初めて導入するConfMixを提案する。
  論文  参考訳（メタデータ） (2022-10-20T19:16:39Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• Decoupled IoU Regression for Object Detection [31.9114940121939]
  非最大抑圧(NMS)は、重複したバウンディングボックスを削除するためにオブジェクト検出パイプラインで広く使われている。 NMSの信頼性と実位置推定の信頼性の矛盾は検出性能に深刻な影響を及ぼす。 これらの問題に対処する新しいデカップリングIoU回帰モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-02T04:01:11Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
  本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。 また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
  論文  参考訳（メタデータ） (2021-05-07T09:37:06Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• 3D IoU-Net: IoU Guided 3D Object Detector for Point Clouds [68.44740333471792]
  正規分類と回帰分岐に3D IoU予測分岐を付加する。 我々は,IoU感度特徴学習とIoUアライメント操作を併用した3次元IoU-Netを提案する。 KITTIカー検出ベンチマークの実験結果から,IoU知覚による3次元IoU-Netが最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2020-04-10T09:24:29Z)
• Seeing without Looking: Contextual Rescoring of Object Detections for AP Maximization [4.346179456029563]
  任意の検出器の出力を後処理することで、コンテキストをオブジェクト検出に組み込むことを提案する。 再現は、検出の集合全体からコンテキスト情報を条件付けすることで行われる。 検出信頼度を簡易に再割り当てすることでAPを改善できることを示す。
  論文  参考訳（メタデータ） (2019-12-27T18:56:29Z)

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。