論文の概要: OTA: Optimal Transport Assignment for Object Detection
- arxiv url: http://arxiv.org/abs/2103.14259v1
- Date: Fri, 26 Mar 2021 04:45:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 12:45:14.024169
- Title: OTA: Optimal Transport Assignment for Object Detection
- Title(参考訳): OTA:オブジェクト検出のための最適輸送割り当て
- Authors: Zheng Ge, Songtao Liu, Zeming Li, Osamu Yoshie, Jian Sun
- Abstract要約: 最適化理論の十分に研究されたトピックである最適輸送問題として割当手続きを策定することを提案する。
定式化後、最小の輸送コストで最適な輸送計画を解決するため、最適な割り当てソリューションを見つける。
COCOでは、単一のFCOS-ResNet-50検出器が1Xスケジューラの下で40.7% mAPに達することができる。
- 参考スコア(独自算出の注目度): 25.794515615575047
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in label assignment in object detection mainly seek to
independently define positive/negative training samples for each ground-truth
(gt) object. In this paper, we innovatively revisit the label assignment from a
global perspective and propose to formulate the assigning procedure as an
Optimal Transport (OT) problem -- a well-studied topic in Optimization Theory.
Concretely, we define the unit transportation cost between each demander
(anchor) and supplier (gt) pair as the weighted summation of their
classification and regression losses. After formulation, finding the best
assignment solution is converted to solve the optimal transport plan at minimal
transportation costs, which can be solved via Sinkhorn-Knopp Iteration. On
COCO, a single FCOS-ResNet-50 detector equipped with Optimal Transport
Assignment (OTA) can reach 40.7% mAP under 1X scheduler, outperforming all
other existing assigning methods. Extensive experiments conducted on COCO and
CrowdHuman further validate the effectiveness of our proposed OTA, especially
its superiority in crowd scenarios. The code is available at
https://github.com/Megvii-BaseDetection/OTA.
- Abstract(参考訳): オブジェクト検出におけるラベル割り当ての最近の進歩は、主に各グラウンドトゥルース(gt)オブジェクトに対する正負のトレーニングサンプルを独立に定義することを目指している。
本稿では,グローバルな視点からラベル割り当てを革新的に再検討し,最適化理論におけるよく研究された話題である最適輸送(OT)問題として割り当て手順を定式化することを提案する。
具体的には、各需要者(アンカー)とサプライヤ(gt)ペア間の単位輸送コストを、その分類と回帰損失の重み付け和として定義する。
定式化後、最適割当解を求めることは、シンクホーン・ノック・イテレーション(Sinkhorn-Knopp Iteration)を通じて解決できる最小の輸送コストで最適な輸送計画を解決するために変換される。
COCOでは、OTA(Optimal Transport Assignment)を搭載した単一のFCOS-ResNet-50検出器が1Xスケジューラの下で40.7%のmAPに到達し、既存の全ての割り当て方法を上回っている。
COCOとCrowdHumanによる大規模な実験により,提案したOTAの有効性,特に群衆シナリオにおける優位性がさらに検証された。
コードはhttps://github.com/Megvii-BaseDetection/OTAで公開されている。
関連論文リスト
- Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。
我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。
実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-03-14T14:23:23Z) - Double-Bounded Optimal Transport for Advanced Clustering and
Classification [58.237576976486544]
本稿では,2つの境界内での目標分布の制限を前提としたDB-OT(Douubly bounded Optimal Transport)を提案する。
提案手法は,テスト段階における改良された推論方式により,良好な結果が得られることを示す。
論文 参考訳(メタデータ) (2024-01-21T07:43:01Z) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳(メタデータ) (2023-06-05T16:01:33Z) - Bridging Optimal Transport and Jacobian Regularization by Optimal
Trajectory for Enhanced Adversarial Defense [27.923344040692744]
逆行訓練とヤコビ正則化の複雑さを2つの重要な防御法として分析した。
本稿では, OTJR と呼ばれるヤコビ正規化手法を用いた新しい最適輸送法を提案する。
CIFAR-10では52.57%、CIFAR-100データセットでは28.3%と評価された。
論文 参考訳(メタデータ) (2023-03-21T12:22:59Z) - Label Propagation Through Optimal Transport [0.0]
本研究では,ラベル付きデータポイントのラベル予測を目的とした半教師付き半教師付き学習問題に取り組む。
提案手法は,様々な機械学習問題に対処するための数学的理論である最適輸送に基づく。
論文 参考訳(メタデータ) (2021-10-01T11:25:55Z) - Do Neural Optimal Transport Solvers Work? A Continuous Wasserstein-2
Benchmark [133.46066694893318]
最適輸送のためのニューラルネットワークに基づく解法の性能を評価する。
既存の解法では,下流タスクでは良好に機能するにもかかわらず,最適な輸送マップを復元できないことがわかった。
論文 参考訳(メタデータ) (2021-06-03T15:59:28Z) - FLOT: Scene Flow on Point Clouds Guided by Optimal Transport [82.86743909483312]
本稿では,点雲上のシーンフローを推定するFLOT法を提案する。
グラフマッチングに関する最近の研究に触発されて、最適な輸送手段からツールを借りてこれらの対応を見つける方法を構築した。
私たちの主な発見は、FLOTは、合成および実世界のデータセット上で、最も優れた既存の方法と同様に、実行可能であることです。
論文 参考訳(メタデータ) (2020-07-22T00:15:30Z) - AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
Auto COCOは、物体検出のためのアンカーフリー検出器である。
外観認識は、完全に微分可能な重み付け機構によって実現される。
我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
論文 参考訳(メタデータ) (2020-07-07T14:32:21Z)
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。