論文の概要: Unsupervised Domain Adaptation from Synthetic to Real Images for Anchorless Object Detection

• arxiv url: http://arxiv.org/abs/2012.08205v1
• Date: Tue, 15 Dec 2020 10:51:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 06:46:57.618340
• Title: Unsupervised Domain Adaptation from Synthetic to Real Images for Anchorless Object Detection
• Title（参考訳）: アンカーレス物体検出のための合成画像から実画像への教師なし領域適応
• Authors: Tobias Scheck, Ana Perez Grassi, Gangolf Hirtz
• Abstract要約: 本稿では,アンカーレス物体検出器に非監視領域適応法を実装した。 私たちの仕事では、合成画像を含むドメイン適応問題のために、最新のアンカーレスアーキテクチャの1つである CenterNet を使用します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic images are one of the most promising solutions to avoid high costs associated with generating annotated datasets to train supervised convolutional neural networks (CNN). However, to allow networks to generalize knowledge from synthetic to real images, domain adaptation methods are necessary. This paper implements unsupervised domain adaptation (UDA) methods on an anchorless object detector. Given their good performance, anchorless detectors are increasingly attracting attention in the field of object detection. While their results are comparable to the well-established anchor-based methods, anchorless detectors are considerably faster. In our work, we use CenterNet, one of the most recent anchorless architectures, for a domain adaptation problem involving synthetic images. Taking advantage of the architecture of anchorless detectors, we propose to adjust two UDA methods, viz., entropy minimization and maximum squares loss, originally developed for segmentation, to object detection. Our results show that the proposed UDA methods can increase the mAPfrom61 %to69 %with respect to direct transfer on the considered anchorless detector. The code is available: https://github.com/scheckmedia/centernet-uda.
• Abstract（参考訳）: 合成画像は、教師付き畳み込みニューラルネットワーク(CNN)をトレーニングするための注釈付きデータセットの生成に伴う高コストを回避する最も有望なソリューションの1つである。 しかし、ネットワークが合成画像から実画像への知識を一般化するためには、ドメイン適応法が必要である。 本稿では、アンカーレス物体検出器に非教師なし領域適応法(UDA)を実装する。 優れた性能のため、アンカーレス検出器は物体検出の分野でますます注目を集めている。 これらの結果は確立されたアンカーベースの手法に匹敵するが、アンカーレス検出器ははるかに高速である。 私たちの研究では、合成画像を含む領域適応問題に対して、最新のアンカーレスアーキテクチャの一つであるCenterNetを使用しました。 アンカーレス検出器のアーキテクチャを利用して,2つのUDA法,ビズ法,エントロピー最小化法,最大二乗損失法を物体検出に適応させることを提案する。 提案手法は, アンカーレス検出器の直接移動に対して, mAPを61 %から69 %まで増加させることができることを示す。 コードはhttps://github.com/scheckmedia/centernet-uda。

関連論文リスト

• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• 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)
• ReContrast: Domain-Specific Anomaly Detection via Contrastive Reconstruction [29.370142078092375]
  殆どの高度な教師なし異常検出(UAD)手法は、大規模データセットで事前訓練された冷凍エンコーダネットワークの特徴表現をモデル化することに依存している。 本稿では,事前学習した画像領域に対するバイアスを低減するために,ネットワーク全体を最適化する新しい疫学的UAD手法であるReContrastを提案する。 2つの一般的な産業欠陥検出ベンチマークと3つの医用画像UADタスクで実験を行い、現在の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-05T05:21:15Z)
• Augmenting Anchors by the Detector Itself [14.6595323571382]
  本研究では, AADI と呼ばれるアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカーアンカー拡張法を提案する。 AADIはアンカー自由法ではないが、アンカーのスケールとアスペクト比を連続空間から離散空間に変換する。 COCOデータセットの大規模な実験により、AADIは2段法と1段法の両方に明らかな利点があることが示された。
  論文  参考訳（メタデータ） (2021-05-28T20:11:08Z)
• Anchor Pruning for Object Detection [6.900480687179143]
  本稿では,一段アンカー型検出器における物体検出のためのアンカープルーニングを提案する。 対象検出ヘッド内のアンカーの多くは,精度を損なうことなく除去できることを示す。 さらなる再訓練により、アンカープルーニングは精度を向上させることができる。
  論文  参考訳（メタデータ） (2021-04-01T12:33:16Z)
• D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and Localization [108.8592577019391]
  画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。 画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。 D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-03T10:54:02Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• FCOS: A simple and strong anchor-free object detector [111.87691210818194]
  物体検出を画素ごとの予測方式で解くために, 完全畳み込み型一段物検出器 (FCOS) を提案する。 RetinaNet、SSD、YOLOv3、Faster R-CNNといった最先端のオブジェクト検出器のほとんどは、事前に定義されたアンカーボックスに依存している。 対照的に、提案した検出器FCOSはアンカーボックスフリーであり、提案はフリーである。
  論文  参考訳（メタデータ） (2020-06-14T01:03:39Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。