論文の概要: Augmenting Proposals by the Detector Itself
- arxiv url: http://arxiv.org/abs/2101.11789v1
- Date: Thu, 28 Jan 2021 02:48:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-01-31 18:17:49.276784
- Title: Augmenting Proposals by the Detector Itself
- Title(参考訳): 検出器自身による提案の増強
- Authors: Xiaopei Wan, Zhenhua Guo, Chao He, Yujiu Yang, Fangbo Tao
- Abstract要約: 本稿では,検出器自体による提案を増強し,高品質な提案を生成できるAPDIという新しいトレーニング手法を設計する。
COCOデータセットの実験により,本手法は様々なバックボーンを持つ高速R-CNNに対して,少なくとも2.7APの改善をもたらすことが示された。
GA-RPNやカスケードRPNといった先進的なRPNと協力し、余分な利得を得ることができる。
- 参考スコア(独自算出の注目度): 16.059480514515506
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lacking enough high quality proposals for RoI box head has impeded two-stage
and multi-stage object detectors for a long time, and many previous works try
to solve it via improving RPN's performance or manually generating proposals
from ground truth. However, these methods either need huge training and
inference costs or bring little improvements. In this paper, we design a novel
training method named APDI, which means augmenting proposals by the detector
itself and can generate proposals with higher quality. Furthermore, APDI makes
it possible to integrate IoU head into RoI box head. And it does not add any
hyperparameter, which is beneficial for future research and downstream tasks.
Extensive experiments on COCO dataset show that our method brings at least 2.7
AP improvements on Faster R-CNN with various backbones, and APDI can cooperate
with advanced RPNs, such as GA-RPN and Cascade RPN, to obtain extra gains.
Furthermore, it brings significant improvements on Cascade R-CNN.
- Abstract(参考訳): RoIの箱の頭部のための十分な良質の提案が長い間2段階および多段階の目的の探知器に妨げられ、多くの前の仕事はRPNの性能を改善するか、または地上の真実から提案を手動で作り出すことによってそれを解決しようとします。
しかし、これらの手法は大きなトレーニングと推論コストを必要とするか、あるいはほとんど改善しない。
本論文では,検出器自体による提案を増強し,高品質で提案を生成できる,APDIという新しいトレーニング手法を設計する。
さらに、APDIはIoUヘッドをRoIボックスヘッドに統合することを可能にする。
また、ハイパーパラメータは追加されず、将来の研究やダウンストリームタスクに有用である。
COCOデータセットに関する広範な実験は、私たちの方法が複数のバックボーンを持つ高速R-CNNに少なくとも2.7 APの改善をもたらすことを示し、APDIはGA-RPNやカスケードRPNなどの高度なRPNと協力して余分な利益を得ることができます。
さらに、カスケードR-CNNに大幅な改善をもたらします。
関連論文リスト
- PETDet: Proposal Enhancement for Two-Stage Fine-Grained Object Detection [26.843891792018447]
PETDet (Proposal Enhancement for Two-stage fine-fine object detection) は, 2段階FGOD法において, サブタスクをよりよく扱うために提案される。
動的ラベル割り当てと注意に基づく分解により, アンカーフリー品質指向提案ネットワーク(QOPN)を提案する。
A novel Adaptive Recognition Loss (ARL)は、R-CNNの責任者が高品質な提案に焦点を合わせるためのガイダンスを提供する。
論文 参考訳(メタデータ) (2023-12-16T18:04:56Z) - DETRs with Collaborative Hybrid Assignments Training [11.563949886871713]
本稿では,新しい協調型ハイブリット・アサイン・トレーニング・スキームである$mathcalC$o-DETRを提案する。
このトレーニングスキームは、エンド・ツー・エンド検出器におけるエンコーダの学習能力を容易に向上させることができる。
提案手法の有効性を評価するため, 広範囲な実験を行った。
論文 参考訳(メタデータ) (2022-11-22T16:19:52Z) - Retrieval-Augmented Reinforcement Learning [63.32076191982944]
過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。
検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。
検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
論文 参考訳(メタデータ) (2022-02-17T02:44:05Z) - Contrastive Learning from Extremely Augmented Skeleton Sequences for
Self-supervised Action Recognition [23.27198457894644]
自己教師型行動表現(AimCLR)のためのアウンダント情報マイニングを利用したコントラスト学習フレームワークを提案する。
まず,エネルギベースアテンション誘導落下モジュール(EADM)を極端に拡張し,多様な正の試料を得る。
第三に、近隣鉱業(NNM)は、豊富な情報マイニングプロセスをより合理的なものにするため、ポジティブなサンプルをさらに拡大するために提案されている。
論文 参考訳(メタデータ) (2021-12-07T09:38:37Z) - Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。
今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。
本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
論文 参考訳(メタデータ) (2021-10-05T10:45:51Z) - OPANAS: One-Shot Path Aggregation Network Architecture Search for Object
Detection [82.04372532783931]
近年、ニューラルアーキテクチャサーチ (NAS) が特徴ピラミッドネットワーク (FPN) の設計に活用されている。
本稿では,探索効率と検出精度を大幅に向上させる,ワンショットパス集約ネットワークアーキテクチャ探索(OPANAS)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T01:48:53Z) - MRDet: A Multi-Head Network for Accurate Oriented Object Detection in
Aerial Images [51.227489316673484]
水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。
正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。
各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
論文 参考訳(メタデータ) (2020-12-24T06:36:48Z) - RRPN++: Guidance Towards More Accurate Scene Text Detection [0.30458514384586394]
本稿では, RRPN ベースのモデルの可能性を活用するために RRPN++ を提案する。
RRPNに基づいて、第1段階の提案を生成するために、アンカーフリーピラミッド提案ネットワーク(APPN)を提案する。
第2段階では、検出部と認識部の両方を組み込んでマルチタスク学習を行う。
論文 参考訳(メタデータ) (2020-09-28T08:00:35Z) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳(メタデータ) (2020-09-17T07:39:52Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳(メタデータ) (2020-05-25T01:42:55Z)
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。