Fugu-MT 論文翻訳(概要): Learning to Generate Content-Aware Dynamic Detectors

論文の概要: Learning to Generate Content-Aware Dynamic Detectors

arxiv url: http://arxiv.org/abs/2012.04265v1
Date: Tue, 8 Dec 2020 08:05:20 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 21:17:04.736012
Title: Learning to Generate Content-Aware Dynamic Detectors
Title（参考訳）: コンテンツ認識型動的検出器の学習
Authors: Junyi Feng, Jiashen Hua, Baisheng Lai, Jianqiang Huang, Xi Li, Xian-sheng Hua
Abstract要約: サンプル適応型モデルアーキテクチャを自動的に生成する効率的な検出器の設計を新たに導入する。動的ルーティングの学習を導くために、オブジェクト検出に適したコースツーファインの成層図を紹介します。 MS-COCOデータセットの実験により、CADDetはバニラルーティングに比べて10%少ないFLOPで1.8以上のmAPを達成することが示された。
参考スコア（独自算出の注目度）: 62.74209921174237
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Model efficiency is crucial for object detection. Mostprevious works rely on either hand-crafted design or auto-search methods to obtain a static architecture, regardless ofthe difference of inputs. In this paper, we introduce a newperspective of designing efficient detectors, which is automatically generating sample-adaptive model architectureon the fly. The proposed method is named content-aware dynamic detectors (CADDet). It first applies a multi-scale densely connected network with dynamic routing as the supernet. Furthermore, we introduce a course-to-fine strat-egy tailored for object detection to guide the learning of dynamic routing, which contains two metrics: 1) dynamic global budget constraint assigns data-dependent expectedbudgets for individual samples; 2) local path similarity regularization aims to generate more diverse routing paths. With these, our method achieves higher computational efficiency while maintaining good performance. To the best of our knowledge, our CADDet is the first work to introduce dynamic routing mechanism in object detection. Experiments on MS-COCO dataset demonstrate that CADDet achieves 1.8 higher mAP with 10% fewer FLOPs compared with vanilla routing strategy. Compared with the models based upon similar building blocks, CADDet achieves a 42% FLOPs reduction with a competitive mAP.
Abstract（参考訳）: モデル効率はオブジェクト検出に不可欠である。最も古い作品は、入力の違いに関わらず、静的なアーキテクチャを得るために手作りのデザインか自動検索メソッドのいずれかに依存している。本稿では, サンプル適応型モデルアーキテクチャを自動的に生成する効率的な検出器の設計手法を提案する。提案手法はコンテント対応動的検出器 (CADDet) と呼ばれる。まず、スーパーネットとして動的ルーティングを備えたマルチスケールの密結合ネットワークを適用する。さらに,2つの指標を含む動的ルーティングの学習をガイドするために,オブジェクト検出のための詳細なstrat-egyを導入する。 1) 動的グローバル予算制約は,個々のサンプルに対してデータ依存の期待予算を割り当てる; 2) 局所パス類似性の正規化は,より多様なルーティングパスの生成を目標とする。これにより,優れた性能を維持しつつ高い計算効率を実現することができる。私たちの知る限りでは、私たちのcaddetはオブジェクト検出に動的ルーティング機構を導入する最初の作業です。 MS-COCOデータセットの実験により、CADDetは、バニラルーティング戦略に比べて10%少ないFLOPで1.8以上のmAPを達成することが示された。同様のビルディングブロックに基づくモデルと比較すると、CADDetは競争力のあるmAPで42%のFLOP削減を実現している。

関連論文リスト

Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文参考訳（メタデータ） (2023-06-20T03:00:22Z)
DynamicDet: A Unified Dynamic Architecture for Object Detection [9.719671347009827]
オブジェクト検出のための動的フレームワークであるDynamicDetを提案する。動的検出器の検出損失に基づく出口基準を用いた新しい最適化手法を提案する。 COCOベンチマークで行った実験は、提案したDynamicDetが新しい最先端の精度-速度トレードオフを実現することを示した。
論文参考訳（メタデータ） (2023-04-12T01:16:53Z)
Boosting the Efficiency of Parametric Detection with Hierarchical Neural Networks [4.1410005218338695]
高速検出のための新しい手法として階層型検出ネットワーク(HDN)を提案する。ネットワークは、統計的精度と効率の目標を同時に符号化する新しい損失関数を用いて訓練される。 2層モデルを用いた3層HDNのトレーニングにより,精度と効率が向上することを示す。
論文参考訳（メタデータ） (2022-07-23T19:23:00Z)
Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文参考訳（メタデータ） (2022-05-31T01:19:18Z)
DAAS: Differentiable Architecture and Augmentation Policy Search [107.53318939844422]
この研究は、ニューラルネットワークとデータ拡張のカップリングの可能性を検討し、それらを共同で検索する効果的なアルゴリズムを提案する。 CIFAR-10では97.91%、ImageNetデータセットでは76.6%の精度で97.91%の精度を達成し、検索アルゴリズムの優れた性能を示している。
論文参考訳（メタデータ） (2021-09-30T17:15:17Z)
DSIC: Dynamic Sample-Individualized Connector for Multi-Scale Object Detection [33.61001547745264]
マルチスケールオブジェクト検出のための動的サンプル独立接続器(DSIC)を提案する。 ISGは、機能統合の入力としてバックボーンから多レベル特徴を適応的に抽出する。 CSGはマルチレベル機能に基づいて情報伝達経路を自動的に活性化する。
論文参考訳（メタデータ） (2020-11-16T08:13:58Z)
One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文参考訳（メタデータ） (2020-05-08T01:59:23Z)
Learning Dynamic Routing for Semantic Segmentation [86.56049245100084]
本稿では,動的ルーティングと呼ばれる意味表現のスケール分散を緩和する概念的に新しい手法を提案する。提案フレームワークは,各画像のスケール分布に適応して,データ依存経路を生成する。この目的のために、ハエのスケール変換経路を選択するために、ソフトコンディショナルゲートと呼ばれる微分可能なゲーティング関数を提案する。
論文参考訳（メタデータ） (2020-03-23T17:22:14Z)

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。