論文の概要: SWA Object Detection

• arxiv url: http://arxiv.org/abs/2012.12645v3
• Date: Fri, 12 Mar 2021 04:27:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 18:08:15.663841
• Title: SWA Object Detection
• Title（参考訳）: SWAオブジェクト検出
• Authors: Haoyang Zhang, Ying Wang, Feras Dayoub and Niko S\"underhauf
• Abstract要約: このレシピは、深いニューラルネットワークを改善するためにarXiv:1803.05407で提案されているWeights Averaging (SWA)にインスパイアされている。 SWAを物体検出やインスタンスセグメンテーションに適用する効果を体系的に調査します。 私達は挑戦的なCOCOのベンチマークのさまざまな普及した探知器上の$sim$1.0 APの改善を一貫して達成します。
• 参考スコア（独自算出の注目度）: 9.477114592734079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Do you want to improve 1.0 AP for your object detector without any inference cost and any change to your detector? Let us tell you such a recipe. It is surprisingly simple: train your detector for an extra 12 epochs using cyclical learning rates and then average these 12 checkpoints as your final detection model}. This potent recipe is inspired by Stochastic Weights Averaging (SWA), which is proposed in arXiv:1803.05407 for improving generalization in deep neural networks. We found it also very effective in object detection. In this technique report, we systematically investigate the effects of applying SWA to object detection as well as instance segmentation. Through extensive experiments, we discover the aforementioned workable policy of performing SWA in object detection, and we consistently achieve $\sim$1.0 AP improvement over various popular detectors on the challenging COCO benchmark, including Mask RCNN, Faster RCNN, RetinaNet, FCOS, YOLOv3 and VFNet. We hope this work will make more researchers in object detection know this technique and help them train better object detectors. Code is available at: https://github.com/hyz-xmaster/swa_object_detection .
• Abstract（参考訳）: オブジェクト検出器の1.0 APを、推論コストや検出器の変更なしに改善したいですか? そんなレシピを教えてあげよう。 循環学習率を使って12のエポックで検出器を訓練し、最終的な検出モデルとしてこれらの12のチェックポイントを平均化する。 この強力なレシピは、深いニューラルネットワークの一般化を改善するためにarXiv:1803.05407で提案されているSWA(Stochastic Weights Averaging)にインスパイアされている。 物体検出にも非常に有効であることがわかった。 本報告では,swaをオブジェクト検出やインスタンス分割に適用する効果について体系的に検討する。 大規模な実験を通じて、オブジェクト検出においてSWAを実行するための実行可能なポリシを発見し、Mask RCNN、Faster RCNN、RetinaNet、FCOS、YOLOv3、VFNetなど、さまざまな人気検出器に対する$\sim$1.0 APの改善を一貫して達成している。 この研究により、より多くの物体検出研究者がこの技術を知って、より優れた物体検出器の訓練に役立てることを願っている。 コードは、https://github.com/hyz-xmaster/swa_object_detection で入手できる。

関連論文リスト

• PrObeD: Proactive Object Detection Wrapper [15.231600709902127]
  PrObeDはエンコーダ・デコーダアーキテクチャで構成されており、エンコーダネットワークは入力画像の暗号化のために画像依存の信号テンプレートを生成する。 本稿では,プロアクティブな手法に基づくラッパーPrObeDを提案する。 PrObeDの適用後,MS-COCO,CAMO,COD$10$K,NC$4$Kのデータセットを用いた実験を行った。
  論文  参考訳（メタデータ） (2023-10-28T19:25:01Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
  本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。 OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。 我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
  論文  参考訳（メタデータ） (2022-12-26T12:49:47Z)
• Slicing Aided Hyper Inference and Fine-tuning for Small Object Detection [2.578242050187029]
  Slicing Aided Hyper Inference (SAHI) は、小型物体検出のための汎用スライシング支援推論と微調整パイプラインを提供する。 提案手法は Detectron2, MMDetection, YOLOv5 モデルと統合されている。
  論文  参考訳（メタデータ） (2022-02-14T18:49:12Z)
• NAS-FCOS: Efficient Search for Object Detection Architectures [113.47766862146389]
  簡易なアンカーフリー物体検出器の特徴ピラミッドネットワーク (FPN) と予測ヘッドを探索し, より効率的な物体検出手法を提案する。 慎重に設計された検索空間、検索アルゴリズム、ネットワーク品質を評価するための戦略により、8つのV100 GPUを使用して、4日以内に最高のパフォーマンスの検知アーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2021-10-24T12:20:04Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• VarifocalNet: An IoU-aware Dense Object Detector [11.580759212782812]
  我々は、物体の存在感と位置決め精度の合同表現として、IACS(Iou-Aware Classification Score)を学習する。 IACSに基づいて、高密度物体検出器により、より正確な候補検出のランク付けが可能であることを示す。 FCOS+ATSSアーキテクチャに基づくIoU対応の高密度物体検出器を構築し,VarifocalNetあるいはVFNetと呼ぶ。
  論文  参考訳（メタデータ） (2020-08-31T05:12:21Z)
• Simultaneous Detection and Tracking with Motion Modelling for Multiple Object Tracking [94.24393546459424]
  本稿では,複数の物体の運動パラメータを推定し,共同検出と関連付けを行うディープ・モーション・モデリング・ネットワーク(DMM-Net)を提案する。 DMM-Netは、人気の高いUA-DETRACチャレンジで12.80 @120+ fpsのPR-MOTAスコアを達成した。 また,車両追跡のための大規模な公開データセットOmni-MOTを合成し,精密な接地トルースアノテーションを提供する。
  論文  参考訳（メタデータ） (2020-08-20T08:05:33Z)
• RepPoints V2: Verification Meets Regression for Object Detection [65.120827759348]
  本稿ではRepPointsのローカライズ予測に検証タスクを導入する。 RepPoints v2は、オリジナルのRepPointsよりも約2.0mAPの一貫性のある改善を提供する。 提案手法は、インスタンスセグメンテーションのようなアプリケーションと同様に、他のオブジェクト検出フレームワークをより高めることができることを示す。
  論文  参考訳（メタデータ） (2020-07-16T17:57:08Z)
• Boosting Weakly Supervised Object Detection with Progressive Knowledge Transfer [40.23657486941391]
  弱教師付き物体検出精度を高めるための効果的な知識伝達フレームワークを提案する。 情報源領域からの知識を一級普遍検出器で反復的に伝達し,対象領域検出器を学習する。 我々は、VOCテストセットで59.7%のmAPと、完全に教師されたFaster RCNNを再トレーニングした後で60.2%のmAPを達成した。
  論文  参考訳（メタデータ） (2020-07-15T20:38:25Z)

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。