論文の概要: Focal and Efficient IOU Loss for Accurate Bounding Box Regression

• arxiv url: http://arxiv.org/abs/2101.08158v1
• Date: Wed, 20 Jan 2021 14:33:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 01:22:54.466307
• Title: Focal and Efficient IOU Loss for Accurate Bounding Box Regression
• Title（参考訳）: 正確なバウンディングボックス回帰のための焦点・効率の良いIOU損失
• Authors: Yi-Fan Zhang, Weiqiang Ren, Zhang Zhang, Zhen Jia, Liang Wang, Tieniu Tan
• Abstract要約: オブジェクト検出では、境界ボックス回帰(BBR)はオブジェクトローカリゼーションのパフォーマンスを決定する重要なステップです。 i) $ell_n$-norm と IOU ベースのロス関数はどちらも BBR の目的を描くのに非効率的であり、これは遅い収束と不正確な回帰結果をもたらす。
• 参考スコア（独自算出の注目度）: 63.14659624634066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In object detection, bounding box regression (BBR) is a crucial step that determines the object localization performance. However, we find that most previous loss functions for BBR have two main drawbacks: (i) Both $\ell_n$-norm and IOU-based loss functions are inefficient to depict the objective of BBR, which leads to slow convergence and inaccurate regression results. (ii) Most of the loss functions ignore the imbalance problem in BBR that the large number of anchor boxes which have small overlaps with the target boxes contribute most to the optimization of BBR. To mitigate the adverse effects caused thereby, we perform thorough studies to exploit the potential of BBR losses in this paper. Firstly, an Efficient Intersection over Union (EIOU) loss is proposed, which explicitly measures the discrepancies of three geometric factors in BBR, i.e., the overlap area, the central point and the side length. After that, we state the Effective Example Mining (EEM) problem and propose a regression version of focal loss to make the regression process focus on high-quality anchor boxes. Finally, the above two parts are combined to obtain a new loss function, namely Focal-EIOU loss. Extensive experiments on both synthetic and real datasets are performed. Notable superiorities on both the convergence speed and the localization accuracy can be achieved over other BBR losses.
• Abstract（参考訳）: オブジェクト検出において、バウンディングボックス回帰(BBR)は、オブジェクトのローカライゼーション性能を決定する重要なステップである。 i) $\ell_n$-norm と iou-based の両方の損失関数は、bbrの目的を描くのに非効率であり、収束が遅く、回帰結果が不正確である。 (ii) 損失関数のほとんどがbbrにおける不均衡問題を無視しており、対象ボックスとの重なりが小さい多数のアンカーボックスがbbrの最適化に大きく寄与している。 そこで, 本論文では, BBR損失の可能性を活かすための徹底的な研究を行った。 まず, BBRにおける3つの幾何学的因子,すなわち重なり領域, 中心点, 側長の相違を明示的に測定する, 連合(EIOU)損失に対する効率的な断面積を提案する。 その後、効果的なサンプルマイニング(eem)問題を述べ、回帰過程を高品質アンカーボックスに集中させるために焦点損失の回帰バージョンを提案する。 最後に、上記の2つの部品を組み合わせて新たな損失関数、すなわちFocal-EIOU損失を得る。 合成データセットと実データセットの両方に関する大規模な実験を行う。 他のBBR損失よりも収束速度と局所化精度の両方において顕著な優位性が得られる。

関連論文リスト

• MPDIoU: A Loss for Efficient and Accurate Bounding Box Regression [0.0]
  本稿では,新しい境界ボックス類似度比較基準MPDIoUを提案する。 MPDIoU損失関数は、最先端のインスタンスセグメンテーション(YOLACT)やPASCAL VOC、MS COCO、IIIT5kで訓練されたオブジェクト検出(YOLOv7)モデルに適用される。
  論文  参考訳（メタデータ） (2023-07-14T23:54:49Z)
• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• Improving Segmentation of Objects with Varying Sizes in Biomedical Images using Instance-wise and Center-of-Instance Segmentation Loss Function [0.3437656066916039]
  本稿では,バイオメディカル画像分割作業において,ICIロスと呼ばれる新たな2成分損失を提案する。 ICI損失は、Dice損失のような画素単位の損失関数を使用する場合によく発生するインスタンス不均衡問題に対処する。
  論文  参考訳（メタデータ） (2023-04-13T02:53:50Z)
• Optimized Hybrid Focal Margin Loss for Crack Segmentation [1.8492669447784602]
  過度なクラス不均衡に対処し, ひび割れ分断に対する過度な適合を防止するために, 新たなハイブリッド焦点損失を提案する。 実験の結果,DeepCrack-DBでは0.43,PanelCrackデータセットでは0.44,ひび割れのIoUが有意に増加することがわかった。
  論文  参考訳（メタデータ） (2023-02-09T01:26:38Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• Benchmarking Deep AUROC Optimization: Loss Functions and Algorithmic Choices [37.559461866831754]
  我々は、深いAUROC最適化問題に対するアルゴリズム選択の異なる様々な損失関数をベンチマークする。 正のサンプリング率、正規化、正規化/アクティベーション、重みなどの重要な選択を強調した。 以上の結果から,Adam-type法はトレーニングの面では競争力が高いが,テストの面では他よりも優れていないことが示唆された。
  論文  参考訳（メタデータ） (2022-03-27T00:47:00Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression [59.72580239998315]
  我々は、既存のIoUベースの損失を、パワーIoU項と追加のパワー正規化項を有する新しいパワーIoU損失ファミリーに一般化する。 複数のオブジェクト検出ベンチマークとモデルの実験では、$alpha$-IoUの損失が既存のIoUベースの損失を顕著なパフォーマンスマージンで上回ることを示した。
  論文  参考訳（メタデータ） (2021-10-26T13:09:20Z)
• Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
  ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。 本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
  論文  参考訳（メタデータ） (2021-07-28T05:18:10Z)
• PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments [33.27663718573774]
  オブジェクト指向バウンディングボックス(OBB)は、背景領域との重なりを小さくすることで、回転オブジェクトをよりターゲットにすることができる。 既存のOBBアプローチは主に、距離損失に最適化された追加次元を導入することで、水平境界ボックス検出器上に構築されている。 新たな損失である Pixels-IoU (PIoU) Loss は、正確なOBB回帰のために角度とIoUの両方を利用するように定式化されている。
  論文  参考訳（メタデータ） (2020-07-19T03:51:59Z)

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。