論文の概要: SCALoss: Side and Corner Aligned Loss for Bounding Box Regression

• arxiv url: http://arxiv.org/abs/2104.00462v1
• Date: Thu, 1 Apr 2021 13:46:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 13:36:31.693447
• Title: SCALoss: Side and Corner Aligned Loss for Bounding Box Regression
• Title（参考訳）: SCALoss: ボックス回帰をバウンディングするためのサイドとコーナーアライメントの損失
• Authors: Tu Zheng, Shuai Zhao, Yang Liu, Zili Liu, Deng Cai
• Abstract要約: 2つのバウンディングボックスのサイドオーバーラップを最大化することで、バウンディングボックスのバウンドボックスが低オーバーラップした場合により多くのペナルティを課すことにより、サイドオーバーラップ(so)損失を提案する。 収束をスピードアップするために、コーナー距離(CD)が客観的関数に追加されます。 新しい回帰目的関数 Side and Corner Align Loss (SCALoss) を取得します。
• 参考スコア（独自算出の注目度）: 29.275260127860783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bounding box regression is an important component in object detection. Recent work has shown the promising performance by optimizing the Intersection over Union (IoU) as loss. However, IoU-based loss has the gradient vanish problem in the case of low overlapping bounding boxes, and the model could easily ignore these simple cases. In this paper, we propose Side Overlap (SO) loss by maximizing the side overlap of two bounding boxes, which puts more penalty for low overlapping bounding box cases. Besides, to speed up the convergence, the Corner Distance (CD) is added into the objective function. Combining the Side Overlap and Corner Distance, we get a new regression objective function, Side and Corner Align Loss (SCALoss). The SCALoss is well-correlated with IoU loss, which also benefits the evaluation metric but produces more penalty for low-overlapping cases. It can serve as a comprehensive similarity measure, leading the better localization performance and faster convergence speed. Experiments on COCO and PASCAL VOC benchmarks show that SCALoss can bring consistent improvement and outperform $\ell_n$ loss and IoU based loss with popular object detectors such as YOLOV3, SSD, Reppoints, Faster-RCNN.
• Abstract（参考訳）: 境界ボックスの回帰は、オブジェクト検出において重要な要素である。 最近の研究は、IoU(Intersection over Union)を損失として最適化することで、有望なパフォーマンスを示している。 しかし、IoUベースの損失は、重なり合いの低い有界箱の場合、勾配がなくなる問題があり、これらの単純なケースは容易に無視できる。 本稿では,2つのバウンディングボックスのサイドオーバーラップを最大化することで,バウンディングボックスの低オーバーラップに対してよりペナルティを課すサイドオーバーラップ(so)ロスを提案する。 さらに、収束を高速化するために、コーナー距離(CD)を目的関数に追加する。 Side Overlap と Corner Distance を組み合わせることで,新たな回帰目標関数 Side と Corner Align Loss (SCALoss) が得られる。 SCALossはIoU損失とよく相関しており、評価指標にもメリットがあるが、重複の少ないケースではペナルティが増大する。 包括的類似性尺度として機能し、ローカライズ性能の向上と収束速度の向上に寄与する。 COCOとPASCAL VOCベンチマークの実験によると、SCALossは、YOLOV3、SSD、Reppoints、Faster-RCNNなどの一般的なオブジェクト検出器で、一貫した改善と、$\ell_n$損失とIoUベースの損失を上回り得る。

関連論文リスト

• FPDIoU Loss: A Loss Function for Efficient Bounding Box Regression of Rotated Object Detection [10.655167287088368]
  最小点距離に基づく任意の形状比較のための新しい計量法を提案する。 FPDIoU$損失は、最先端の回転オブジェクト検出に適用される。
  論文  参考訳（メタデータ） (2024-05-16T09:44:00Z)
• Shadow: A Novel Loss Function for Efficient Training in Siamese Networks [2.2189125306342]
  本稿では,損失計算中の埋め込み空間の次元を,性能を損なわずに圧縮するシャドウロスと呼ばれる新しい損失関数を提案する。 低次元射影空間を投影すると、損失関数はより早く収束し、その結果、分類された画像クラスターはクラス間距離が高く、クラス内距離も小さくなる。 Shadow Lossは、さまざまなデータセットで5%から10%の精度で、最先端のMargin Lossよりも一貫してパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2023-11-23T14:07:35Z)
• Inner-IoU: More Effective Intersection over Union Loss with Auxiliary Bounding Box [10.03001043843768]
  補助的バウンディングボックスを通してIoU損失を算出する内IoU損失を提案する。 異なるデータセットや検出器に対して、補助境界ボックスのスケールサイズを制御するためのスケーリング係数比を導入する。 最後に、シミュレーションと比較実験のために既存のIoUベースの損失関数にInner-IoUを統合する。
  論文  参考訳（メタデータ） (2023-11-06T05:14:24Z)
• MPDIoU: A Loss for Efficient and Accurate Bounding Box Regression [0.0]
  本稿では,新しい境界ボックス類似度比較基準MPDIoUを提案する。 MPDIoU損失関数は、最先端のインスタンスセグメンテーション(YOLACT)やPASCAL VOC、MS COCO、IIIT5kで訓練されたオブジェクト検出(YOLOv7)モデルに適用される。
  論文  参考訳（メタデータ） (2023-07-14T23:54:49Z)
• Intersection over Union with smoothing for bounding box regression [0.0]
  本稿では,境界ボックス回帰に対する損失関数の構成に着目する。 IoU(Intersection over Union)メトリックは、より高速に収束するように改善される。 提案した損失関数は,地中真理境界ボックスの次元における雑音に対して頑健であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T10:20:34Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression [59.72580239998315]
  我々は、既存のIoUベースの損失を、パワーIoU項と追加のパワー正規化項を有する新しいパワーIoU損失ファミリーに一般化する。 複数のオブジェクト検出ベンチマークとモデルの実験では、$alpha$-IoUの損失が既存のIoUベースの損失を顕著なパフォーマンスマージンで上回ることを示した。
  論文  参考訳（メタデータ） (2021-10-26T13:09:20Z)
• Focal and Efficient IOU Loss for Accurate Bounding Box Regression [63.14659624634066]
  オブジェクト検出では、境界ボックス回帰(BBR)はオブジェクトローカリゼーションのパフォーマンスを決定する重要なステップです。 i) $ell_n$-norm と IOU ベースのロス関数はどちらも BBR の目的を描くのに非効率的であり、これは遅い収束と不正確な回帰結果をもたらす。
  論文  参考訳（メタデータ） (2021-01-20T14:33:58Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)
• Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation [91.12575065731883]
  境界ボックス回帰および非最大抑圧(NMS)における幾何学的要素の強化を目的とした完全IoU損失とクラスタNMSを提案する。 CIoU損失を用いたディープラーニングモデルのトレーニングは、広く採用されている$ell_n$-norm損失とIoUベースの損失と比較して、一貫性のあるAPとARの改善をもたらす。 クラスタ-NMSは、純粋なGPU実装のため非常に効率的であり、APとARの両方を改善するために幾何学的要素を組み込むことができる。
  論文  参考訳（メタデータ） (2020-05-07T16:00:27Z)

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。