論文の概要: Balance-Oriented Focal Loss with Linear Scheduling for Anchor Free Object Detection

• arxiv url: http://arxiv.org/abs/2012.13763v1
• Date: Sat, 26 Dec 2020 15:24:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 01:09:18.985196
• Title: Balance-Oriented Focal Loss with Linear Scheduling for Anchor Free Object Detection
• Title（参考訳）: アンカー自由物体検出のための線形スケジューリングによるバランス指向焦点損失
• Authors: Hopyong Gil, Sangwoo Park, Yusang Park, Wongoo Han, Juyean Hong, Juneyoung Jung
• Abstract要約: 本稿では,背景と前景のバランスを考慮し,バランスドラーニングを誘発するバランス指向焦点損失を提案する。 前景階級のバランスの点で焦点損失を改善することにより、アンカーフリーリアルタイム検出器のためのMS-COCOにおけるAP利得+1.2を達成する。
• 参考スコア（独自算出の注目度）: 1.69146632099647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing object detectors suffer from class imbalance problems that hinder balanced performance. In particular, anchor free object detectors have to solve the background imbalance problem due to detection in a per-pixel prediction fashion as well as foreground imbalance problem simultaneously. In this work, we propose Balance-oriented focal loss that can induce balanced learning by considering both background and foreground balance comprehensively. This work aims to address imbalance problem in the situation of using a general unbalanced data of non-extreme distribution not including few shot and the focal loss for anchor free object detector. We use a batch-wise alpha-balanced variant of the focal loss to deal with this imbalance problem elaborately. It is a simple and practical solution using only re-weighting for general unbalanced data. It does require neither additional learning cost nor structural change during inference and grouping classes is also unnecessary. Through extensive experiments, we show the performance improvement for each component and analyze the effect of linear scheduling when using re-weighting for the loss. By improving the focal loss in terms of balancing foreground classes, our method achieves AP gains of +1.2 in MS-COCO for the anchor free real-time detector.
• Abstract（参考訳）: 既存のオブジェクト検出器の多くは、パフォーマンスのバランスを阻害するクラス不均衡の問題に苦しんでいる。 特にアンカーフリーオブジェクト検出器は、画素毎の予測方法での検出とフォアグラウンドのアンバランス問題を同時に解決する必要がある。 本研究では,背景バランスと前景バランスを総合的に考慮し,バランス学習を促すバランス指向焦点損失を提案する。 本研究は,アンカーフリー物体検出器のショット数や焦点損失を含む非極端分布の一般不均衡データを用いた場合の非平衡問題に対処することを目的とする。 我々は、この不均衡問題に精巧に対処するために、焦点損失のバッチワイズアルファバランスの変種を用いる。 一般的な不均衡データに対して再重み付けのみを使用する、シンプルで実用的なソリューションである。 推論やグルーピングクラスにおいて、追加の学習コストも構造的な変更も不要である。 広範にわたる実験により,各部品の性能改善を示し,損失に対する再重み付けを用いた線形スケジューリングの効果を解析した。 前景階級のバランスの点で焦点損失を改善することにより、アンカーフリーリアルタイム検出器のためのMS-COCOにおけるAP利得+1.2を達成する。

関連論文リスト

• Gradient-based Sampling for Class Imbalanced Semi-supervised Object Detection [111.0991686509715]
  半教師付き物体検出(SSOD)におけるクラス不均衡問題を,より困難なシナリオ下で検討する。 本稿では,2種類の確認バイアスの観点から,クラス不均衡問題に対処する,単純かつ効果的な勾配に基づくサンプリングフレームワークを提案する。 提案手法は,MS-COCO,MS-COCO,Object365,LVISの3種類のサブタスクにおいて,現行の非平衡物体検出器よりもクリアマージンの方が優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-22T11:30:10Z)
• Class Imbalance in Object Detection: An Experimental Diagnosis and Study of Mitigation Strategies [0.5439020425818999]
  本研究は, YOLOv5単段検出器を用いて, 前地上クラス不均衡問題に対処するベンチマークフレームワークを提案する。 我々は,サンプリング,損失重み付け,データ強化という3つの確立した手法を精査した。 比較分析の結果,2段階検出法では有効であるが,YOLOv5の性能向上には有効ではないことが明らかとなった。
  論文  参考訳（メタデータ） (2024-03-11T19:06:04Z)
• Few-shot $\mathbf{1/a}$ Anomalies Feedback : Damage Vision Mining Opportunity and Embedding Feature Imbalance [0.0]
  不均衡なデータ問題は、4つのタイプに分類できる: ターゲットとラベルの価値の欠如、多数派マイノリティクラスの不均衡、空間的不均衡の背景背景、ピクセルワイド不均衡のロングテールクラス。 本研究では、異常なクラスか否かに関わらず、一級異常検出アプリケーションを強調し、不均衡な視覚データセットの明確な例を示す。
  論文  参考訳（メタデータ） (2023-07-24T10:30:54Z)
• Learning to Re-weight Examples with Optimal Transport for Imbalanced Classification [74.62203971625173]
  不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。 不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。 本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:23:54Z)
• Phased Progressive Learning with Coupling-Regulation-Imbalance Loss for Imbalanced Classification [11.673344551762822]
  ディープニューラルネットワークは、一般に、異なるクラス間の量不均衡と分類困難の不均衡に苦しむデータセットで性能が良くない。 表象学習から上位クラス化学習への学習強調を円滑に伝達する段階的な進行学習スケジュールが提案された。 私たちのコードはまもなくオープンソースになります。
  論文  参考訳（メタデータ） (2022-05-24T14:46:39Z)
• Neural Collapse Inspired Attraction-Repulsion-Balanced Loss for Imbalanced Learning [97.81549071978789]
  勾配の異なる成分のバランスをとるために,Attraction-Repulsion-Balanced Loss (ARB-Loss)を提案する。 大規模分類とセグメンテーションデータセットの実験を行い、ARB-Lossは最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-04-19T08:23:23Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• AutoBalance: Optimized Loss Functions for Imbalanced Data [38.64606886588534]
  本稿では,2段階最適化フレームワークであるAutoBalanceを提案する。 具体的には、下層問題はモデル重みを訓練し、上層問題は、検証データに対して所望の目的を監視、最適化することにより損失関数を調整する。 我々の損失設計は、パラメトリックなクロスエントロピー損失と個別化されたデータ拡張スキームを用いて、クラス/グループをパーソナライズすることを可能にする。
  論文  参考訳（メタデータ） (2022-01-04T15:53:23Z)
• Towards Balanced Learning for Instance Recognition [149.76724446376977]
  本稿では,インスタンス認識のためのバランス学習のためのフレームワークであるLibra R-CNNを提案する。 IoUバランスのサンプリング、バランスの取れた特徴ピラミッド、客観的再重み付けをそれぞれ統合し、サンプル、特徴、客観的レベルの不均衡を低減します。
  論文  参考訳（メタデータ） (2021-08-23T13:40:45Z)
• Enhanced Principal Component Analysis under A Collaborative-Robust Framework [89.28334359066258]
  重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。 提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。 特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
  論文  参考訳（メタデータ） (2021-03-22T15:17:37Z)
• Few-Shot Learning with Class Imbalance [13.60699610822265]
  少数ショット学習は、クエリセットから取得したサンプルを一般化するために、サポートセットに与えられた限られた数のラベル付きサンプルでモデルをトレーニングすることを目的としている。 標準設定では、サポートセットは各クラスに対して等しい量のデータポイントを含んでいる。 本稿では,メタデータセット対タスク不均衡,異なる不均衡分布の効果(線形,ステップ,ランダム),再バランス手法の効果の3つの軸に沿ったクラス不均衡について詳細に検討する。
  論文  参考訳（メタデータ） (2021-01-07T12:54:32Z)

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。