論文の概要: NMS-Loss: Learning with Non-Maximum Suppression for Crowded Pedestrian Detection

• arxiv url: http://arxiv.org/abs/2106.02426v1
• Date: Fri, 4 Jun 2021 12:06:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 15:02:14.408744
• Title: NMS-Loss: Learning with Non-Maximum Suppression for Crowded Pedestrian Detection
• Title（参考訳）: NMS-Loss: 群集歩行者検出のための非最大抑圧による学習
• Authors: Zekun Luo, Zheng Fang, Sixiao Zheng, Yabiao Wang, Yanwei Fu
• Abstract要約: ネットワークパラメータを追加せずにNMSプロシージャをエンドツーエンドにトレーニングできる新しいNMS-Lossを提案する。 我々のNMS-ロスは、FPが抑制されず、FNがNMSによって誤って排除された2つの症例を罰する。 NMS-Lossの助けを借りて、我々の検出器、すなわちNMS-Pedは、CityPersonsデータセットで5.92%、CityPersonsデータセットで10.08%のミスレートで印象的な結果を得る。
• 参考スコア（独自算出の注目度）: 39.417540296897194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-Maximum Suppression (NMS) is essential for object detection and affects the evaluation results by incorporating False Positives (FP) and False Negatives (FN), especially in crowd occlusion scenes. In this paper, we raise the problem of weak connection between the training targets and the evaluation metrics caused by NMS and propose a novel NMS-Loss making the NMS procedure can be trained end-to-end without any additional network parameters. Our NMS-Loss punishes two cases when FP is not suppressed and FN is wrongly eliminated by NMS. Specifically, we propose a pull loss to pull predictions with the same target close to each other, and a push loss to push predictions with different targets away from each other. Experimental results show that with the help of NMS-Loss, our detector, namely NMS-Ped, achieves impressive results with Miss Rate of 5.92% on Caltech dataset and 10.08% on CityPersons dataset, which are both better than state-of-the-art competitors.
• Abstract（参考訳）: 非最大抑制(NMS)は物体検出に必須であり,特に群集閉塞シーンにおいて,偽陽性(FP)と偽陰性(FN)を取り入れて評価結果に影響を与える。 本稿では,学習目標とnsmによる評価指標との弱結合問題を提起し,ネットワークパラメータを付加することなく,nms手順をエンドツーエンドで訓練できる新しいnss-lossを提案する。 我々のNMS-ロスは、FPが抑制されず、FNがNMSによって誤って排除された2例を罰する。 具体的には,同一ターゲットが互いに近接する予測をプルするプル損失と,異なるターゲットが互いに遠ざかる予測をプッシュ損失を提案する。 実験の結果、nms-lossの助けを借りて、nms-pedは、caltechデータセットでは5.92%、citypersonsデータセットでは10.08%のミス率で印象的な結果を得ることができた。

関連論文リスト

• Accelerating Non-Maximum Suppression: A Graph Theory Perspective [24.34791528442417]
  非最大抑圧(NMS)は、オブジェクト検出において必要不可欠な後処理ステップである。 本稿では,NMSをグラフ理論の観点から初めて体系的に解析し,その固有構造を明らかにする。 NMS-Benchは,様々なNMS手法を包括的に評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2024-09-30T17:20:49Z)
• Fuzzy-NMS: Improving 3D Object Detection with Fuzzy Classification in NMS [19.452760776980472]
  非最大抑圧(NMS)は、多くの3Dオブジェクト検出フレームワークで使用される重要な後処理モジュールである。 ファジィ学習をNMSに導入し、より詳細な候補境界ボックスフィルタリングを実現するための一般化されたファジィ-NMSモジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-21T09:09:03Z)
• NP-Match: When Neural Processes meet Semi-Supervised Learning [133.009621275051]
  半教師付き学習(SSL)は近年広く研究されており、ラベル付きデータへの依存を減らすためにラベル付きデータを活用する効果的な方法である。 本研究では,ニューラルネットワーク(NP)を半教師付き画像分類タスクに調整し,NP-Matchと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-07-03T15:24:31Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Controlled Dropout for Uncertainty Estimation [11.225333867982359]
  ニューラルネットワークの不確実性は、安全クリティカルなアプリケーションに関する最も議論されたトピックの1つである。 従来のドロップアウトレイヤの新バージョンで、ドロップアウト構成の数を修正できます。
  論文  参考訳（メタデータ） (2022-05-06T09:48:11Z)
• Feature Erasing and Diffusion Network for Occluded Person Re-Identification [20.720999782234216]
  被写体再識別は、被写体画像を異なるカメラビューの全体像に合わせることを目的としている。 従来の手法は主に、NTPの特徴汚染を無視しながら、NPOに対するモデルの堅牢性を高めることに焦点を当てていた。 NPOとNTPを同時に扱う新しい特徴消去拡散ネットワーク(FED)を提案する。
  論文  参考訳（メタデータ） (2021-12-16T09:47:17Z)
• Meta-Mining Discriminative Samples for Kinship Verification [95.26341773545528]
  kinship検証データベースは、アンバランスなデータで生まれます。 本稿では, 識別的サンプルメタマイニング(DSMM)手法を提案する。 KinFaceW-I, KinFaceW-II, TSKinFace, Cornell Kinshipデータセットを用いた実験結果から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-03-28T11:47:07Z)
• Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
  単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。 検出精度は元の1段検出器と比べて同等か、さらに向上した。
  論文  参考訳（メタデータ） (2021-01-28T02:38:29Z)
• End-to-End Object Detection with Fully Convolutional Network [71.56728221604158]
  エンドツーエンド検出を実現するために,分類のための予測対応ワン・ツー・ワン (POTO) ラベルの割り当てを導入する。 局所領域における畳み込みの判別性を向上させるために, 簡易な3次元maxフィルタ(3dmf)を提案する。 エンドツーエンドのフレームワークは,COCOおよびCrowdHumanデータセット上のNMSを用いて,最先端の多くの検出器と競合する性能を実現する。
  論文  参考訳（メタデータ） (2020-12-07T09:14:55Z)
• Confluence: A Robust Non-IoU Alternative to Non-Maxima Suppression in Object Detection [0.570896453969985]
  Confluenceは、最適なバウンディングボックスを選択するために、個々の信頼度スコアのみに依存するアルゴリズムである。 MS COCOとPASCAL VOC 2007のデータセットを使用して、RetinaNet、YOLOv3、Mask-RCNNで実験的に検証されている。 Confluenceは、両方のmAPでGreedy NMSを上回り、両方のデータセットでリコールする。
  論文  参考訳（メタデータ） (2020-12-01T04:22:01Z)

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。