論文の概要: Anchor Pruning for Object Detection

• arxiv url: http://arxiv.org/abs/2104.00432v1
• Date: Thu, 1 Apr 2021 12:33:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 22:33:04.074513
• Title: Anchor Pruning for Object Detection
• Title（参考訳）: 物体検出のためのアンカープルーニング
• Authors: Maxim Bonnaerens, Matthias Freiberger, Joni Dambre
• Abstract要約: 本稿では,一段アンカー型検出器における物体検出のためのアンカープルーニングを提案する。 対象検出ヘッド内のアンカーの多くは,精度を損なうことなく除去できることを示す。 さらなる再訓練により、アンカープルーニングは精度を向上させることができる。
• 参考スコア（独自算出の注目度）: 6.900480687179143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes anchor pruning for object detection in one-stage anchor-based detectors. While pruning techniques are widely used to reduce the computational cost of convolutional neural networks, they tend to focus on optimizing the backbone networks where often most computations are. In this work we demonstrate an additional pruning technique, specifically for object detection: anchor pruning. With more efficient backbone networks and a growing trend of deploying object detectors on embedded systems where post-processing steps such as non-maximum suppression can be a bottleneck, the impact of the anchors used in the detection head is becoming increasingly more important. In this work, we show that many anchors in the object detection head can be removed without any loss in accuracy. With additional retraining, anchor pruning can even lead to improved accuracy. Extensive experiments on SSD and MS COCO show that the detection head can be made up to 44% more efficient while simultaneously increasing accuracy. Further experiments on RetinaNet and PASCAL VOC show the general effectiveness of our approach. We also introduce `overanchorized' models that can be used together with anchor pruning to eliminate hyperparameters related to the initial shape of anchors.
• Abstract（参考訳）: 本稿では1段アンカー型検出器における物体検出のためのアンカープルーニングを提案する。 プルーニング技術は畳み込みニューラルネットワークの計算コスト削減に広く用いられているが、ほとんどの計算が頻繁に行われるバックボーンネットワークの最適化に重点を置いている。 この作業では、オブジェクト検出のための追加のpruningテクニック、具体的には、anchor pruningをデモします。 より効率的なバックボーンネットワークと、非最大抑制などの後処理ステップがボトルネックになり得る組込みシステムへのオブジェクト検出の展開が増えているため、検出ヘッドで使用されるアンカーの影響がますます重要になっている。 本研究では,物体検出ヘッド内のアンカーの多くを,精度を損なうことなく除去できることを示す。 さらなる再訓練により、アンカープルーニングは精度を向上させることができる。 SSDとMS COCOの大規模な実験により、検出ヘッドの効率は最大44%向上し、精度は向上した。 RetinaNet と PASCAL VOC のさらなる実験により,本手法の有効性が示された。 また,アンカーの初期形状に関連するハイパーパラメータを除去するために,アンカープルーニングとともに使用できる'オーバーアンカー化'モデルを導入する。

関連論文リスト

• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• Visual Saliency-Guided Channel Pruning for Deep Visual Detectors in Autonomous Driving [3.236217153362305]
  ディープニューラルネットワーク(DNN)プルーニングは、リソース制約のあるデバイスにデプロイするデファクトコンポーネントになっている。 本稿では,視覚的検出のための勾配に基づく新しいサリエンシ尺度を提案し,それをチャネルプルーニングのガイドに利用する。 KITTIおよびCOCOトラヒックデータセットの実験は、最先端の競合するアプローチよりもプルーニング手法の有効性と優位性を実証している。
  論文  参考訳（メタデータ） (2023-03-04T22:08:22Z)
• Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
  視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。 本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
  論文  参考訳（メタデータ） (2022-06-14T13:22:19Z)
• Double-Dot Network for Antipodal Grasp Detection [20.21384585441404]
  本稿では,Double-Dot Network (DD-Net) という,対足足歩行検出のための新しい深層学習手法を提案する。 これは、経験的にプリセットされたアンカーに依存しない最近のアンカーフリーなオブジェクト検出フレームワークに従っている。 このような指先をローカライズするために効果的なCNNアーキテクチャを導入し、改良のための補助センターの助けを借りて、把握候補を正確かつ堅牢に推測する。
  論文  参考訳（メタデータ） (2021-08-03T14:21:17Z)
• TricubeNet: 2D Kernel-Based Object Representation for Weakly-Occluded Oriented Object Detection [24.44389034373491]
  本稿では,アンカーフリーのワンステージディテクタである指向オブジェクト検出の新たなアプローチを提案する。 このアプローチはTricubeNetと呼ばれ、各オブジェクトを2D Tricubeカーネルとして表現し、外見ベースの後処理を用いて境界ボックスを抽出する。
  論文  参考訳（メタデータ） (2021-04-23T06:50:28Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• Unsupervised Domain Adaptation from Synthetic to Real Images for Anchorless Object Detection [0.0]
  本稿では,アンカーレス物体検出器に非監視領域適応法を実装した。 私たちの仕事では、合成画像を含むドメイン適応問題のために、最新のアンカーレスアーキテクチャの1つである CenterNet を使用します。
  論文  参考訳（メタデータ） (2020-12-15T10:51:43Z)
• 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)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。