論文の概要: Rethinking Rotated Object Detection with Gaussian Wasserstein Distance
Loss
- arxiv url: http://arxiv.org/abs/2101.11952v1
- Date: Thu, 28 Jan 2021 12:04:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-01-31 18:28:18.669615
- Title: Rethinking Rotated Object Detection with Gaussian Wasserstein Distance
Loss
- Title(参考訳): Gassian Wasserstein Distance Lossによる回転物体検出の再考
- Authors: Xue Yang, Junchi Yan, Qi Ming, Wentao Wang, Xiaopeng Zhang, Qi Tian
- Abstract要約: 境界不連続性と最終検出基準の不整合性は, 回転検出回帰損失設計のボトルネックとなっている。
本稿では,ガウス・ワッサーシュタイン距離に基づく新しい回帰損失を,この問題に対する基本的なアプローチとして提案する。
- 参考スコア(独自算出の注目度): 111.8807588392563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Boundary discontinuity and its inconsistency to the final detection metric
have been the bottleneck for rotating detection regression loss design. In this
paper, we propose a novel regression loss based on Gaussian Wasserstein
distance as a fundamental approach to solve the problem. Specifically, the
rotated bounding box is converted to a 2-D Gaussian distribution, which enables
to approximate the indifferentiable rotational IoU induced loss by the Gaussian
Wasserstein distance (GWD) which can be learned efficiently by gradient
back-propagation. GWD can still be informative for learning even there is no
overlapping between two rotating bounding boxes which is often the case for
small object detection. Thanks to its three unique properties, GWD can also
elegantly solve the boundary discontinuity and square-like problem regardless
how the bounding box is defined. Experiments on five datasets using different
detectors show the effectiveness of our approach. Codes are available at
https://github.com/yangxue0827/RotationDetection.
- Abstract(参考訳): 境界不連続性と最終検出基準の不整合性は, 回転検出回帰損失設計のボトルネックとなっている。
本稿では,ガウス・ワッサーシュタイン距離に基づく新しい回帰損失を,この問題に対する基本的なアプローチとして提案する。
具体的には、回転バウンディングボックスを2次元ガウス分布に変換し、グラデーションバックプロパゲーションによって効率的に学習できるガウスワッサースタイン距離(GWD)によって、不可分回転IoU誘発損失を近似することができる。
GWDは、2つの回転バウンディングボックスの間に重複がなくても学習に有益であり、これはしばしば小さな物体検出の場合である。
3つの独特な性質のおかげで、gwdは境界の不連続性や、境界ボックスの定義方法に関わらず正方形の問題をエレガントに解くことができる。
異なる検出器を用いた5つのデータセットの実験は、我々のアプローチの有効性を示している。
コードはhttps://github.com/yangxue0827/RotationDetectionで入手できる。
関連論文リスト
- Edge Wasserstein Distance Loss for Oriented Object Detection [30.63435516524413]
本稿では,新たな指向性回帰損失,ワッサーシュタイン距離損失(EWD)を提案する。
具体的には、配向ボックス(OBox)表現に対して、確率密度関数がエッジ上のゼロではないような特別に設計された分布を選択する。
論文 参考訳(メタデータ) (2023-12-12T08:00:40Z) - 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) - MKIoU Loss: Towards Accurate Oriented Object Detection in Aerial Images [0.0]
修正されたカルマンIoUのSkewIoUの損失は、MkioUと呼ばれる。
提案手法は他のガウス法にも容易に拡張できる。
論文 参考訳(メタデータ) (2022-06-30T08:17:01Z) - 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) - RSDet++: Point-based Modulated Loss for More Accurate Rotated Object
Detection [53.57176614020894]
我々は、回転感度誤差(RSE)として、5パラメータと8パラメータの回転物体検出法の両方における損失の不連続性を分類する。
問題を軽減するために新しい変調された回転損失を導入し、回転感度検出ネットワーク(RSDet)を提案する。
10ピクセル未満のオブジェクトに対する本手法の精度をさらに向上するため,新しいRSDet++を提案する。
論文 参考訳(メタデータ) (2021-09-24T11:57:53Z) - Learning High-Precision Bounding Box for Rotated Object Detection via
Kullback-Leibler Divergence [100.6913091147422]
既存の回転物体検出器は、主に水平検出パラダイムから受け継がれている。
本稿では,回転回帰損失の設計を帰納パラダイムから導出手法に変更することを目的としている。
論文 参考訳(メタデータ) (2021-06-03T14:29:19Z) - Wasserstein Distances for Stereo Disparity Estimation [62.09272563885437]
既定義の離散値の集合上の分布を出力する、奥行き推定や不均一推定への既存のアプローチ。
これにより、真の深さや差がこれらの値と一致しない場合に、不正確な結果をもたらす。
任意の深さの値を出力できる新しいニューラルネットワークアーキテクチャを用いて、これらの問題に対処する。
論文 参考訳(メタデータ) (2020-07-06T21:37:50Z)
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。