論文の概要: Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection
- arxiv url: http://arxiv.org/abs/2104.14082v1
- Date: Thu, 29 Apr 2021 02:48:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-30 13:02:51.655086
- Title: Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection
- Title(参考訳): Pseudo-IoU:アンカーフリー物体検出におけるラベル割り当ての改善
- Authors: Jiachen Li, Bowen Cheng, Rogerio Feris, Jinjun Xiong, Thomas S.Huang,
Wen-Mei Hwu and Humphrey Shi
- Abstract要約: 現在のアンカーフリー物体検出器は非常に単純で有効であるが、正確なラベル割り当て方法がない。
Pseudo-Intersection-over-Union(Pseudo-IoU): アンカーフリーなオブジェクト検出フレームワークに、より標準化され、正確な割り当てルールをもたらす単純なメトリックである。
本手法はベルやホイッスルを使わずに最新のアンカーフリー手法と同等の性能を実現する。
- 参考スコア(独自算出の注目度): 60.522877583407904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current anchor-free object detectors are quite simple and effective yet lack
accurate label assignment methods, which limits their potential in competing
with classic anchor-based models that are supported by well-designed assignment
methods based on the Intersection-over-Union~(IoU) metric. In this paper, we
present \textbf{Pseudo-Intersection-over-Union~(Pseudo-IoU)}: a simple metric
that brings more standardized and accurate assignment rule into anchor-free
object detection frameworks without any additional computational cost or extra
parameters for training and testing, making it possible to further improve
anchor-free object detection by utilizing training samples of good quality
under effective assignment rules that have been previously applied in
anchor-based methods. By incorporating Pseudo-IoU metric into an end-to-end
single-stage anchor-free object detection framework, we observe consistent
improvements in their performance on general object detection benchmarks such
as PASCAL VOC and MSCOCO. Our method (single-model and single-scale) also
achieves comparable performance to other recent state-of-the-art anchor-free
methods without bells and whistles. Our code is based on mmdetection toolbox
and will be made publicly available at
https://github.com/SHI-Labs/Pseudo-IoU-for-Anchor-Free-Object-Detection.
- Abstract(参考訳): 現在のアンカーフリー物体検出器は非常に単純で有効であるが、正確なラベル割り当て方法が欠如しており、インターセクション・オーバー・ユニオン(IoU)メートル法に基づくよく設計された代入手法によって支持される古典的なアンカーベースモデルと競合する可能性を制限する。
本稿では,アンカーフリーなオブジェクト検出フレームワークに,より標準化された正確な代入ルールを付加的な計算コストやトレーニングやテストのための余分なパラメータを伴わずに導入し,これまでアンカーベースで適用されてきた効果的な代入ルールの下で,優れた品質のトレーニングサンプルを活用することで,アンカーフリーなオブジェクト検出をさらに改善する簡単な指標を提案する。
エンドツーエンドのシングルステージアンカーフリーオブジェクト検出フレームワークに擬似iouメトリックを組み込むことで、pascal vocやmscocoといった一般的なオブジェクト検出ベンチマークにおけるパフォーマンスの一貫した改善を観測する。
我々の手法(シングルモデルとシングルスケール)は、ベルやホイッスルのない最新のアンカーフリー手法と同等の性能を発揮する。
私たちのコードはmmdetectionツールボックスに基づいており、https://github.com/SHI-Labs/Pseudo-IoU-for-Anchor-Free-Object-Detectionで公開されます。
関連論文リスト
- Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。
このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。
我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
論文 参考訳(メタデータ) (2024-11-20T02:57:35Z) - Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。
現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。
疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
論文 参考訳(メタデータ) (2023-10-19T12:59:55Z) - Dense Learning based Semi-Supervised Object Detection [46.885301243656045]
半教師付きオブジェクト検出(SSOD)は、大量のラベルのないデータの助けを借りて、オブジェクト検出器の訓練と展開を容易にすることを目的としている。
本稿では,DenSe Learningに基づくアンカーフリーSSODアルゴリズムを提案する。
実験はMS-COCOとPASCAL-VOCで行われ,提案手法は新たな最先端SSOD性能を記録する。
論文 参考訳(メタデータ) (2022-04-15T02:31:02Z) - Dynamic Anchor Learning for Arbitrary-Oriented Object Detection [4.247967690041766]
任意指向オブジェクトは、自然のシーン、空中写真、リモートセンシング画像などに広く現れる。
現在の回転検出器は、異なる向きのアンカーをたくさん使用して、地上の真実ボックスとの空間アライメントを実現します。
新たに定義されたマッチング度を利用した動的アンカー学習(DAL)法を提案する。
論文 参考訳(メタデータ) (2020-12-08T01:30:06Z) - Probabilistic Anchor Assignment with IoU Prediction for Object Detection [9.703212439661097]
オブジェクト検出では、どのアンカーを正または負のサンプルとして割り当てるか、すなわちアンカー代入(アンカー代入)がモデルの性能に大きく影響を与えるコアプロシージャとして明らかにされている。
本稿では,モデルの学習状況に応じて,アンカーを正と負のサンプルに適応的に分離する新しいアンカー代入戦略を提案する。
論文 参考訳(メタデータ) (2020-07-16T04:26:57Z) - Ocean: Object-aware Anchor-free Tracking [75.29960101993379]
アンカーベース手法の回帰ネットワークは、正のアンカーボックスでのみ訓練される。
本稿では,この問題に対処する新しいオブジェクト認識型アンカーフリーネットワークを提案する。
我々のアンカーフリートラッカーは5つのベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-06-18T17:51:39Z) - 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)
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。