Fugu-MT 論文翻訳(概要): PAFNet: An Efficient Anchor-Free Object Detector Guidance

論文の概要: PAFNet: An Efficient Anchor-Free Object Detector Guidance

arxiv url: http://arxiv.org/abs/2104.13534v1
Date: Wed, 28 Apr 2021 02:32:54 GMT
ステータス: 処理完了
システム内更新日: 2021-04-29 12:50:01.824042
Title: PAFNet: An Efficient Anchor-Free Object Detector Guidance
Title（参考訳）: PAFNet: 効率的なアンカーフリーオブジェクト検出器ガイダンス
Authors: Ying Xin, Guanzhong Wang, Mingyuan Mao, Yuan Feng, Qingqing Dang, Yanjun Ma, Errui Ding, Shumin Han
Abstract要約: TTFNetと呼ばれるアンカーフリー検出器は、許容精度と推論速度を同時に達成できます。 PAFNetは単一のV100 GPU上で有効性(42.2% mAP)と効率性(67.15 FPS)のバランスをとることができる。 PAFNet-lite は Kirin 990 ARM CPU の精度(23.9% mAP)と26.00 ms が向上し、既存の最先端のアンカーフリー検出器をかなり上回っている。
参考スコア（独自算出の注目度）: 19.747085491556803
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Object detection is a basic but challenging task in computer vision, which plays a key role in a variety of industrial applications. However, object detectors based on deep learning usually require greater storage requirements and longer inference time, which hinders its practicality seriously. Therefore, a trade-off between effectiveness and efficiency is necessary in practical scenarios. Considering that without constraint of pre-defined anchors, anchor-free detectors can achieve acceptable accuracy and inference speed simultaneously. In this paper, we start from an anchor-free detector called TTFNet, modify the structure of TTFNet and introduce multiple existing tricks to realize effective server and mobile solutions respectively. Since all experiments in this paper are conducted based on PaddlePaddle, we call the model as PAFNet(Paddle Anchor Free Network). For server side, PAFNet can achieve a better balance between effectiveness (42.2% mAP) and efficiency (67.15 FPS) on a single V100 GPU. For moblie side, PAFNet-lite can achieve a better accuracy of (23.9% mAP) and 26.00 ms on Kirin 990 ARM CPU, outperforming the existing state-of-the-art anchor-free detectors by significant margins. Source code is at https://github.com/PaddlePaddle/PaddleDetection.
Abstract（参考訳）: 物体検出はコンピュータビジョンにおける基本的なタスクであるが、様々な産業アプリケーションにおいて重要な役割を果たす。しかし、ディープラーニングに基づく物体検出は、通常、より大きなストレージ要件と長い推論時間を必要とするため、実用性が著しく阻害される。したがって、実用シナリオでは有効性と効率のトレードオフが必要である。予め定義されたアンカーの制約がなければ、アンカーフリー検出器は許容精度と推論速度を同時に達成できる。本稿では,TTFNetと呼ばれるアンカーフリー検出器からスタートし,TTFNetの構造を変更し,サーバとモバイルの効率的なソリューションを実現するために,複数の既存手法を導入する。本論文のすべての実験はPaddlePaddleに基づいて行われるので、このモデルをPAFNet(Paddle Anchor Free Network)と呼ぶ。サーバ側では、単一のV100 GPU上での効率(42.2% mAP)と効率(67.15 FPS)のバランスが良くなる。モブライク側では、PAFNet-liteはキリン990 ARM CPUの精度(23.9% mAP)と26.00 msの精度を達成でき、既存の最先端のアンカーフリー検出器をかなり上回っている。ソースコードはhttps://github.com/PaddlePaddle/PaddleDetectionにある。

関連論文リスト

AirShot: Efficient Few-Shot Detection for Autonomous Exploration [18.09990606406497]
ロボット探索では、オンラインで提供されたいくつかの例で、見えない物体を見つけるためにロボットが必要とされる。既存のメソッドは、主に信頼性の低い機能と徹底したクラスループのために、パフォーマンスと効率の課題に直面しています。我々は新しいパラダイムであるAirShotを提案し、AirShotは価値ある相関マップを完全に活用することによって、より堅牢な数発のオブジェクト検出システムを実現する。
論文参考訳（メタデータ） (2024-04-07T20:39:31Z)
EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
論文参考訳（メタデータ） (2023-02-15T06:05:14Z)
KD-SCFNet: Towards More Accurate and Efficient Salient Object Detection via Knowledge Distillation [3.354517826696927]
マルチレベル特徴のインタラクティブな融合に焦点を当てた,意味誘導型文脈融合ネットワーク(SCFNet)を設計する。詳細は、調味された教師から未学習のSCFNetにラベルのない画像を通して豊富な知識を伝達する。知識蒸留に基づくSCFNet(KDSCFNet)は、1M未満のパラメータと174FPSリアルタイム検出速度を持つ最先端の重み付け手法に匹敵する精度を達成している。
論文参考訳（メタデータ） (2022-08-03T16:03:11Z)
MobileDenseNet: A new approach to object detection on mobile devices [9.05607520128194]
本稿の主な目的は、高速かつリアルタイムな効率を維持しつつ、最先端のアルゴリズムの精度を高めることである。組込みシステムに適したMobileDenseNetという新しいネットワークを構築した。また,小型物体の検出を支援するモバイル機器用軽量ネックFCPNLiteを開発した。
論文参考訳（メタデータ） (2022-07-22T12:13:59Z)
EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
論文参考訳（メタデータ） (2022-03-21T05:56:12Z)
PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices [13.62426382827205]
実時間物体検出器のPP-PicoDetファミリは,モバイルデバイスの物体検出において優れた性能を発揮する。モデルは、他の一般的なモデルと比較して、精度とレイテンシのトレードオフを改善する。
論文参考訳（メタデータ） (2021-11-01T12:53:17Z)
Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
論文参考訳（メタデータ） (2021-09-01T07:01:33Z)
PP-YOLO: An Effective and Efficient Implementation of Object Detector [44.189808709103865]
本稿では, 相対的に効率と効率のバランスの取れた物体検出器を実装した。 YOLOv3が実際に広く利用されていることを踏まえ, YOLOv3に基づく新しい物体検出器を開発した。本論文のすべての実験はPaddlePaddleに基づいて行われるので、PP-YOLOと呼ぶ。
論文参考訳（メタデータ） (2020-07-23T16:06:16Z)
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)
FCOS: A simple and strong anchor-free object detector [111.87691210818194]
物体検出を画素ごとの予測方式で解くために, 完全畳み込み型一段物検出器 (FCOS) を提案する。 RetinaNet、SSD、YOLOv3、Faster R-CNNといった最先端のオブジェクト検出器のほとんどは、事前に定義されたアンカーボックスに依存している。対照的に、提案した検出器FCOSはアンカーボックスフリーであり、提案はフリーである。
論文参考訳（メタデータ） (2020-06-14T01:03:39Z)
FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking [92.48078680697311]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要な問題である。本稿では,FairMOTと呼ばれる,アンカーフリーなオブジェクト検出アーキテクチャCenterNetをベースとした,シンプルかつ効果的なアプローチを提案する。このアプローチは、検出と追跡の両方において高い精度を達成する。
論文参考訳（メタデータ） (2020-04-04T08:18:00Z)

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。