論文の概要: Gaussian Guided IoU: A Better Metric for Balanced Learning on Object
Detection
- arxiv url: http://arxiv.org/abs/2103.13613v1
- Date: Thu, 25 Mar 2021 05:36:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 13:40:13.626333
- Title: Gaussian Guided IoU: A Better Metric for Balanced Learning on Object
Detection
- Title（参考訳）: Gaussian Guided IoU: オブジェクト検出におけるバランス学習のためのより良いメトリクス
- Authors: Shengkai Wu, Jinrong Yang, Hangcheng Yu, Lijun Gou, Xiaoping Li
- Abstract要約: ほとんどのアンカーベースの検出器では、IoU(Intersection over Union)が訓練中にアンカーの目標を割り当てるために広く利用されている。
GGIoUガイド付き割り当て戦略やGGIoUバランス型ローカリゼーションロスなど、GGIoUバランス学習手法を提案します。
- 参考スコア（独自算出の注目度）: 1.5162771828355641
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For most of the anchor-based detectors, Intersection over Union(IoU) is
widely utilized to assign targets for the anchors during training. However, IoU
pays insufficient attention to the closeness of the anchor's center to the
truth box's center. This results in two problems: (1) only one anchor is
assigned to most of the slender objects which leads to insufficient supervision
information for the slender objects during training and the performance on the
slender objects is hurt; (2) IoU can not accurately represent the alignment
degree between the receptive field of the feature at the anchor's center and
the object. Thus during training, some features whose receptive field aligns
better with objects are missing while some features whose receptive field
aligns worse with objects are adopted. This hurts the localization accuracy of
models. To solve these problems, we firstly design Gaussian Guided IoU(GGIoU)
which focuses more attention on the closeness of the anchor's center to the
truth box's center. Then we propose GGIoU-balanced learning method including
GGIoU-guided assignment strategy and GGIoU-balanced localization loss. The
method can assign multiple anchors for each slender object and bias the
training process to the features well-aligned with objects. Extensive
experiments on the popular benchmarks such as PASCAL VOC and MS COCO
demonstrate GGIoU-balanced learning can solve the above problems and
substantially improve the performance of the object detection model, especially
in the localization accuracy.
- Abstract（参考訳）: 多くのアンカーベースの検出器では、IoU(Intersection over Union)が訓練中にアンカーの目標を割り当てるために広く利用されている。
しかし、イオウは真理箱の中央へのアンカーの中央の近さに十分注意を払っている。
その結果,(1) 訓練中の細い物体の監視情報不足につながる細い物体のほとんどに1つのアンカーが割り当てられること,(2) 細い物体の性能が損なわれること,(2) IoU は、アンカーの中心にある特徴の受容場と物体とのアライメント度を正確に表現できないこと,の2つの問題が発生した。
したがって、トレーニング中は、受容野がオブジェクトに合致するいくつかの特徴が欠落し、受容野がオブジェクトに合致するいくつかの特徴が採用される。
これはモデルのローカライズ精度を損なう。
これらの問題を解決するため,まずガウシアンガイドiou(ggiou)をデザインし,アンカーの中心と真理箱の中心との密接性に着目した。
そして,GIoU誘導型代入戦略とGIoU誘導型局所化損失を含むGIoUバランス学習手法を提案する。
このメソッドは、各細いオブジェクトに複数のアンカーを割り当て、トレーニングプロセスをオブジェクトに適切に整合した機能に偏らせることができる。
PASCAL VOCやMS COCOのような一般的なベンチマークでの大規模な実験により、GGIoUバランス学習は上記の問題を解くことができ、特に局所化精度においてオブジェクト検出モデルの性能を大幅に向上させることができる。
関連論文リスト
- Dense Center-Direction Regression for Object Counting and Localization with Point Supervision [1.9526430269580954]
本稿では,CeDiRNetと呼ばれる新しい学習手法を提案する。
最寄りの物体中心を向いている方向の高密度な回帰を利用する。
既存の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-08-26T17:49:27Z) - Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。
ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。
提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
論文 参考訳（メタデータ） (2024-03-31T12:22:23Z) - Decoupled DETR: Spatially Disentangling Localization and Classification
for Improved End-to-End Object Detection [48.429555904690595]
本稿では,タスク認識型問合せ生成モジュールと切り離された特徴学習プロセスを含む空間的に分離されたDETRを紹介する。
提案手法は,従来の研究に比べてMSCOCOデータセットの大幅な改善を実現していることを示す。
論文 参考訳（メタデータ） (2023-10-24T15:54:11Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳（メタデータ） (2023-07-07T04:03:48Z) - SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。
提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文 参考訳（メタデータ） (2023-04-10T11:10:42Z) - Contrastive Object-level Pre-training with Spatial Noise Curriculum
Learning [12.697842097171119]
本稿では,生成した領域を適応的に拡張するカリキュラム学習機構を提案する。
実験の結果,マルチオブジェクトシーンイメージデータセットの事前学習において,MoCo v2のベースラインに対するアプローチは,複数のオブジェクトレベルタスクに対して大きなマージンで改善されていることがわかった。
論文 参考訳（メタデータ） (2021-11-26T18:29:57Z) - DAFNe: A One-Stage Anchor-Free Deep Model for Oriented Object Detection [16.21161769128316]
DAFNe: オブジェクト指向物体検出のためのワンステージアンカーフリーディープネットワークを提案する。
アンカーフリーモデルとして、DAFNeはバウンディングボックスアンカーの使用を控えることで予測複雑性を低減する。
低品質な予測に対する任意指向の有界箱に対する中心性関数の指向性を考慮した一般化を提案する。
論文 参考訳（メタデータ） (2021-09-13T17:37:20Z) - Dynamic Anchor Learning for Arbitrary-Oriented Object Detection [4.247967690041766]
任意指向オブジェクトは、自然のシーン、空中写真、リモートセンシング画像などに広く現れる。
現在の回転検出器は、異なる向きのアンカーをたくさん使用して、地上の真実ボックスとの空間アライメントを実現します。
新たに定義されたマッチング度を利用した動的アンカー学習(DAL)法を提案する。
論文 参考訳（メタデータ） (2020-12-08T01:30:06Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳（メタデータ） (2020-05-11T04:00:09Z) - Pairwise Similarity Knowledge Transfer for Weakly Supervised Object
Localization [53.99850033746663]
弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。
本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。
COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
論文 参考訳（メタデータ） (2020-03-18T17:53:33Z) - Improving Few-shot Learning by Spatially-aware Matching and
CrossTransformer [116.46533207849619]
数ショット学習シナリオにおけるスケールと位置ミスマッチの影響について検討する。
本稿では,複数のスケールや場所のマッチングを効果的に行うための,空間認識型マッチング手法を提案する。
論文 参考訳（メタデータ） (2020-01-06T14:10:20Z)
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。