論文の概要: LLA: Loss-aware Label Assignment for Dense Pedestrian Detection

• arxiv url: http://arxiv.org/abs/2101.04307v3
• Date: Fri, 12 Mar 2021 02:49:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 01:46:03.006914
• Title: LLA: Loss-aware Label Assignment for Dense Pedestrian Detection
• Title（参考訳）: LLA:Dense Pedestrian DetectionのためのLos-Aware Label Assignment
• Authors: Zheng Ge, Jianfeng Wang, Xin Huang, Songtao Liu, Osamu Yoshie
• Abstract要約: 群集シナリオにおける歩行者検知器の性能向上を図るため,ロス対応ラベル割り当てを提案する。 CrowdHumanとCityPersonsの実験では、2つの有名な1段検出器でMRを9.53%、5.47%向上させることができる。
• 参考スコア（独自算出の注目度）: 21.803748552149635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label assignment has been widely studied in general object detection because of its great impact on detectors' performance. However, none of these works focus on label assignment in dense pedestrian detection. In this paper, we propose a simple yet effective assigning strategy called Loss-aware Label Assignment (LLA) to boost the performance of pedestrian detectors in crowd scenarios. LLA first calculates classification (cls) and regression (reg) losses between each anchor and ground-truth (GT) pair. A joint loss is then defined as the weighted summation of cls and reg losses as the assigning indicator. Finally, anchors with top K minimum joint losses for a certain GT box are assigned as its positive anchors. Anchors that are not assigned to any GT box are considered negative. Loss-aware label assignment is based on an observation that anchors with lower joint loss usually contain richer semantic information and thus can better represent their corresponding GT boxes. Experiments on CrowdHuman and CityPersons show that such a simple label assigning strategy can boost MR by 9.53% and 5.47% on two famous one-stage detectors - RetinaNet and FCOS, respectively, demonstrating the effectiveness of LLA.
• Abstract（参考訳）: ラベル割り当ては検出器の性能に大きな影響を与えるため、一般的な物体検出において広く研究されている。 しかし、いずれも密集した歩行者検出におけるラベル割り当てに重点を置いていない。 本稿では,群衆シナリオにおける歩行者検知器の性能向上を図るため,Los-Aware Label Assignment (LLA) と呼ばれる簡易かつ効果的なアサイン方式を提案する。 LLAはまず、各アンカーとグラウンドトラス(GT)ペア間の分類(cl)と回帰(reg)損失を計算する。 次に、結合損失を割り当て指標としてclsとreg損失の重み付け和として定義する。 最後に、あるGTボックスに対するトップKの最小関節損失を持つアンカーを正のアンカーとして割り当てる。 GTボックスに割り当てられていないアンカーは負と見なされる。 ロスアウェアラベルの割り当ては、低い関節損失のアンカーは、通常よりリッチな意味情報を含むため、対応するGTボックスをよりよく表現できるという観察に基づいている。 CrowdHuman(英語版)とCityPersons(英語版)の実験では、これらの単純なラベル割り当て戦略は2つの有名な1段検出器であるRetinaNetとFCOSでMRを9.53%、そして5.47%向上させ、LLAの有効性を示す。

関連論文リスト

• Graph Anomaly Detection with Noisy Labels by Reinforcement Learning [13.135788402192215]
  本稿では,新しいフレームワークREGAD,すなわちReinforced Graph Anomaly Detectorを提案する。 具体的には,高信頼ラベルを用いたノード間を近似したノイズエッジを切断することにより,ベース検出器の性能向上(AUC)を最大化することを目的とする。
  論文  参考訳（メタデータ） (2024-07-08T13:41:21Z)
• Class Label-aware Graph Anomaly Detection [23.977594208998237]
  教師なしGADのためのクラスラベルの有用性について検討する。 クラスラベル対応グラフ異常検出フレームワーク(CLAD)を提案する。 10個のデータセットの実験は、既存の教師なしGAD法と比較してCLADの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-08-22T09:46:12Z)
• A Sea-Land Clutter Classification Framework for Over-the-Horizon-Radar Based on Weighted Loss Semi-supervised GAN [25.093052585959807]
  我々は、改良された生成逆数ネットワーク、すなわち重み付き損失半教師付き生成逆数ネットワーク(WL-SSGAN)を提案する。 WL-SSGANの半教師付き分類性能を海面クラッタデータセットで評価した。
  論文  参考訳（メタデータ） (2023-05-06T11:45:45Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• DSLA: Dynamic smooth label assignment for efficient anchor-free object detection [18.043176234010517]
  アンカーフリー検出器は、基本的にオブジェクト検出を密な分類と回帰として定式化する。 局所化の質を推定するために、個別の予測分岐を導入するのが一般的である。 分類と品質評価の実践を掘り下げると、以下の矛盾が観測される。
  論文  参考訳（メタデータ） (2022-08-01T12:56:44Z)
• CaSP: Class-agnostic Semi-Supervised Pretraining for Detection and Segmentation [60.28924281991539]
  本稿では,タスク固有性バランスを向上するために,クラス非依存型半教師付き事前学習(CaSP)フレームワークを提案する。 我々は3.6Mの未ラベルデータを用いて、ImageNetで規定されたオブジェクト検出のベースラインよりも4.7%の顕著なパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2021-12-09T14:54:59Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Disentangling Sampling and Labeling Bias for Learning in Large-Output Spaces [64.23172847182109]
  異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。 すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
  論文  参考訳（メタデータ） (2021-05-12T15:40:13Z)
• Lower-bounded proper losses for weakly supervised classification [73.974163801142]
  本稿では,弱いラベルが与えられた分類の弱い教師付き学習の問題について議論する。 サベージ表現を双対化する教師付き学習における適切な損失を表す表現定理を導出する。 提案手法の有効性を,不適切な損失や非有界損失と比較して実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-04T08:47:07Z)
• Solving Missing-Annotation Object Detection with Background Recalibration Loss [49.42997894751021]
  本稿では,新しい,かつ困難な検出シナリオに焦点を当てる。 真のオブジェクト/インスタンスの大部分は,データセットにラベル付けされていない。 従来, ソフトサンプリングを用いて, 正の例と重なり合うRoIsの勾配を再重み付けする手法が提案されてきた。 本稿では、予め定義されたIoU閾値と入力画像に基づいて損失信号を自動的に校正できる、バックグラウンド校正損失(BRL)と呼ばれる優れた解を提案する。
  論文  参考訳（メタデータ） (2020-02-12T23:11:46Z)

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。