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

• Unsupervised Anomaly Detection through Mass Repulsing Optimal Transport [5.042313273982193]
  我々は,最小の努力目標を維持しつつ,サンプルの質量移動を強制的に強制して異常検出に取り組む。 これらの概念を使って、新しい異常スコアを設計します。
  論文  参考訳（メタデータ） (2025-02-18T11:54:12Z)
• Preventing Local Pitfalls in Vector Quantization via Optimal Transport [77.15924044466976]
  我々はシンクホーンアルゴリズムを用いて最適な輸送問題を最適化する新しいベクトル量子化法であるOptVQを紹介する。 画像再構成タスクの実験では,OptVQが100%のコードブック利用を実現し,現在最先端のVQNを超越していることが示された。
  論文  参考訳（メタデータ） (2024-12-19T18:58:14Z)
• ECAT: A Entire space Continual and Adaptive Transfer Learning Framework for Cross-Domain Recommendation [7.466783681250159]
  本稿では,ECAT と呼ばれる拡張空間連続・適応変換学習フレームワークを提案する。 ECATには2つのコアコンポーネントがある: まず、サンプル転送について、粗大なプロセスを実現する2段階の手法を提案する。 第2に,空間データセット全体においてよく訓練されたモデルから表現を継続的に伝達する適応的知識蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-07-02T07:02:39Z)
• 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)
• 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)

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。