論文の概要: Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections
- arxiv url: http://arxiv.org/abs/2105.03139v1
- Date: Fri, 7 May 2021 09:37:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 12:17:19.806044
- Title: Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections
- Title(参考訳): 拡張物体検出のための確率的ランキングアウェアアンサンブル
- Authors: Mingyuan Mao, Baochang Zhang, David Doermann, Jie Guo, Shumin Han,
Yuan Feng, Xiaodi Wang, Errui Ding
- Abstract要約: 本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。
また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
- 参考スコア(独自算出の注目度): 50.096540945099704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Model ensembles are becoming one of the most effective approaches for
improving object detection performance already optimized for a single detector.
Conventional methods directly fuse bounding boxes but typically fail to
consider proposal qualities when combining detectors. This leads to a new
problem of confidence discrepancy for the detector ensembles. The confidence
has little effect on single detectors but significantly affects detector
ensembles. To address this issue, we propose a novel ensemble called the
Probabilistic Ranking Aware Ensemble (PRAE) that refines the confidence of
bounding boxes from detectors. By simultaneously considering the category and
the location on the same validation set, we obtain a more reliable confidence
based on statistical probability. We can then rank the detected bounding boxes
for assembly. We also introduce a bandit approach to address the confidence
imbalance problem caused by the need to deal with different numbers of boxes at
different confidence levels. We use our PRAE-based non-maximum suppression
(P-NMS) to replace the conventional NMS method in ensemble learning.
Experiments on the PASCAL VOC and COCO2017 datasets demonstrate that our PRAE
method consistently outperforms state-of-the-art methods by significant
margins.
- Abstract(参考訳): モデルアンサンブルは、既に1つの検出器に最適化されたオブジェクト検出性能を改善するための最も効果的なアプローチの1つになっている。
従来の方法では直接境界ボックスを融合するが、検出器を組み合わせる際に提案品質を考慮できないのが普通である。
これは検出器のアンサンブルに対する信頼の相違という新たな問題に繋がる。
信頼性は単一検出器にはほとんど影響しないが、検出器アンサンブルに大きな影響を及ぼす。
この問題に対処するため,我々は,検出器からのバウンディングボックスの信頼性を向上させる確率的ランキング認識アンサンブル(prae)と呼ばれる新しいアンサンブルを提案する。
同じ検証セット上のカテゴリと位置を同時に考慮し、統計的確率に基づいてより信頼性の高い信頼を得る。
次に検出された境界ボックスをアセンブリにランク付けする。
また,異なる信頼レベルで異なるボックス数を扱う必要があることに起因する信頼不均衡問題に対処するための包括的アプローチも導入する。
我々はPRAEに基づく非最大抑圧(P-NMS)を用いて、アンサンブル学習における従来のNMS法を置き換える。
PASCAL VOCとCOCO2017データセットの実験は、私たちのPRAEメソッドが、最先端の手法をかなりのマージンで一貫して上回っていることを示している。
関連論文リスト
- Rank-DETR for High Quality Object Detection [52.82810762221516]
高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。
本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
論文 参考訳(メタデータ) (2023-10-13T04:48:32Z) - Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。
本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。
また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文 参考訳(メタデータ) (2023-10-09T11:44:50Z) - Localization-Guided Track: A Deep Association Multi-Object Tracking
Framework Based on Localization Confidence of Detections [4.565826090373598]
局所化信頼度はMOTで初めて適用され、検出ボックスの外観明快さと位置化精度が考慮される。
提案手法は, 比較した最先端追跡法より優れる。
論文 参考訳(メタデータ) (2023-09-18T13:45:35Z) - Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析
本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。
我々の手法は、最先端の手法をクリアマージンで上回る。
論文 参考訳(メタデータ) (2023-07-16T16:32:14Z) - ConfMix: Unsupervised Domain Adaptation for Object Detection via
Confidence-based Mixing [32.679280923208715]
オブジェクト検出のための教師なしドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを適用して、アノテーションが利用できない新しいターゲットドメインからインスタンスを検出することを目的としている。
適応型物体検出学習のための領域レベルの検出信頼度に基づくサンプル混合戦略を初めて導入するConfMixを提案する。
論文 参考訳(メタデータ) (2022-10-20T19:16:39Z) - Mitigating the Mutual Error Amplification for Semi-Supervised Object
Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。
他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文 参考訳(メタデータ) (2022-01-26T03:34:57Z) - Localization Uncertainty-Based Attention for Object Detection [8.154943252001848]
ガウスモデルを用いて, 4方向位置決めの不確かさを予測できる, より効率的な不確実性認識型高密度検出器 (UADET) を提案する。
MS COCOベンチマークを用いた実験によると、UADETはベースラインFCOSを一貫して上回り、最高のモデルであるResNext-64x4d-101-DCNは、COCOテストデーブで48.3%の単一スケールAPを得る。
論文 参考訳(メタデータ) (2021-08-25T04:32:39Z) - Multimodal Object Detection via Bayesian Fusion [59.31437166291557]
我々は、RGBとサーマルカメラでマルチモーダルオブジェクト検出を研究します。後者は照明不良下ではるかに強力なオブジェクトシグネチャを提供することができます。
我々の重要な貢献は、異なるモードのボックス検出を融合する非学習遅延融合法である。
このアプローチは、整列(KAIST)と非整列(FLIR)のマルチモーダルセンサーデータを含むベンチマークに適用されます。
論文 参考訳(メタデータ) (2021-04-07T04:03:20Z) - 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)
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。