論文の概要: Multiscale IoU: A Metric for Evaluation of Salient Object Detection with Fine Structures

• arxiv url: http://arxiv.org/abs/2105.14572v1
• Date: Sun, 30 May 2021 15:31:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 17:12:06.357237
• Title: Multiscale IoU: A Metric for Evaluation of Salient Object Detection with Fine Structures
• Title（参考訳）: マルチスケールiou:微細構造物を用いたサルエント物体検出評価のための指標
• Authors: Azim Ahmadzadeh, Dustin J. Kempton, Yang Chen, Rafal A. Angryk
• Abstract要約: 汎用オブジェクト検出アルゴリズムは、しばしば検出されたオブジェクトの微細構造を除去する。 一般的な評価指標であるIoU(Intersection over Union)とフラクタル次元(fractal dimension)という幾何学的概念の結婚について述べる。 IoU と f1-score が完全に見落としている境界構造に対して MIoU が本当に敏感であることを示す。
• 参考スコア（独自算出の注目度）: 5.098461305284216
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: General-purpose object-detection algorithms often dismiss the fine structure of detected objects. This can be traced back to how their proposed regions are evaluated. Our goal is to renegotiate the trade-off between the generality of these algorithms and their coarse detections. In this work, we present a new metric that is a marriage of a popular evaluation metric, namely Intersection over Union (IoU), and a geometrical concept, called fractal dimension. We propose Multiscale IoU (MIoU) which allows comparison between the detected and ground-truth regions at multiple resolution levels. Through several reproducible examples, we show that MIoU is indeed sensitive to the fine boundary structures which are completely overlooked by IoU and f1-score. We further examine the overall reliability of MIoU by comparing its distribution with that of IoU on synthetic and real-world datasets of objects. We intend this work to re-initiate exploration of new evaluation methods for object-detection algorithms.
• Abstract（参考訳）: 汎用オブジェクト検出アルゴリズムはしばしば検出対象の微細構造を除去する。 これは、提案されたリージョンの評価方法にまで遡ることができる。 我々の目標は、これらのアルゴリズムの一般性と粗い検出との間のトレードオフを再交渉することである。 本稿では,一般評価指標であるiou(intersection over union)とフラクタル次元(fractal dimension)という幾何学的概念を融合した新しい計量を提案する。 複数の解像度レベルで検出された地中構造領域と地中構造領域の比較を可能にするマルチスケールIoU(MIoU)を提案する。 いくつかの再現可能な例を通して、MIoU は IoU と f1-score が完全に見落としている境界構造に本当に敏感であることを示す。 さらに、オブジェクトの合成および実世界のデータセット上で、MIoUの分布とIoUの分布を比較することで、MIoUの全体的な信頼性について検討する。 本研究では,物体検出アルゴリズムの新しい評価手法の再検討を行う。

関連論文リスト

• Size-invariance Matters: Rethinking Metrics and Losses for Imbalanced Multi-object Salient Object Detection [133.66006666465447]
  現在のメトリクスはサイズに敏感で、大きなオブジェクトが集中し、小さなオブジェクトが無視される傾向があります。 サイズに基づくバイアスは、追加のセマンティック情報なしでは不適切であるため、評価はサイズ不変であるべきだと論じる。 我々は,この目標に適した最適化フレームワークを開発し,異なる大きさのオブジェクトの検出において,大幅な改善を実現した。
  論文  参考訳（メタデータ） (2024-05-16T03:01:06Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Spatial Reasoning for Few-Shot Object Detection [21.3564383157159]
  本稿では,空間的推論フレームワークを提案する。 グラフ畳み込みネットワークをRoIとその関連性はそれぞれノードとエッジとして定義する。 提案手法は最先端の手法を著しく上回り, 広範囲なアブレーション研究により有効性を検証する。
  論文  参考訳（メタデータ） (2022-11-02T12:38:08Z)
• Graph Fusion Network for Multi-Oriented Object Detection [15.451824121019449]
  本稿では,多目的物体検出のための新しいグラフ融合ネットワークGFNetを提案する。 我々のGFNetは、より正確で総合的な多目的オブジェクトインスタンスを検出するために、高密度検出ボックスを適応的に融合しています。
  論文  参考訳（メタデータ） (2022-05-07T05:47:22Z)
• A Normalized Gaussian Wasserstein Distance for Tiny Object Detection [21.50800336432307]
  最先端の検出器は、外観情報がないため、小さな物体に対して満足な結果を出さない。 微小物体検出のためのワッサーシュタイン距離を用いた新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2021-10-26T03:43:17Z)
• Boundary IoU: Improving Object-Centric Image Segmentation Evaluation [125.20898025044804]
  境界品質に着目した新たなセグメンテーション評価手法であるBoundary IoUを紹介します。 境界IoUは、大きなオブジェクトの境界誤差に対して標準のMask IoU測度よりもはるかに感度が高く、小さなオブジェクトの誤差を過給しない。
  論文  参考訳（メタデータ） (2021-03-30T17:59:20Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)

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。