論文の概要: Unbiased IoU for Spherical Image Object Detection

• arxiv url: http://arxiv.org/abs/2108.08029v1
• Date: Wed, 18 Aug 2021 08:18:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-19 14:39:33.477008
• Title: Unbiased IoU for Spherical Image Object Detection
• Title（参考訳）: 球面物体検出のための不偏光IoU
• Authors: Qiang Zhao, Bin Chen, Hang Xu, Yike Ma, Xiaodong Li, Bailan Feng, Chenggang Yan, Feng Dai
• Abstract要約: まず,球面長方形は球面画像中の物体に対する非バイアス有界な境界ボックスであることを示すとともに,近似を伴わずにIoU計算の解析手法を提案する。 また,不偏表現と計算に基づいて,球面画像に対するアンカー自由物体検出アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 45.17996641893818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As one of the most fundamental and challenging problems in computer vision, object detection tries to locate object instances and find their categories in natural images. The most important step in the evaluation of object detection algorithm is calculating the intersection-over-union (IoU) between the predicted bounding box and the ground truth one. Although this procedure is well-defined and solved for planar images, it is not easy for spherical image object detection. Existing methods either compute the IoUs based on biased bounding box representations or make excessive approximations, thus would give incorrect results. In this paper, we first identify that spherical rectangles are unbiased bounding boxes for objects in spherical images, and then propose an analytical method for IoU calculation without any approximations. Based on the unbiased representation and calculation, we also present an anchor free object detection algorithm for spherical images. The experiments on two spherical object detection datasets show that the proposed method can achieve better performance than existing methods.
• Abstract（参考訳）: コンピュータビジョンにおける最も根本的で困難な問題の1つとして、オブジェクト検出はオブジェクトのインスタンスを特定し、それらのカテゴリを自然な画像で見つけようとする。 物体検出アルゴリズムの評価における最も重要なステップは、予測された有界箱と地上の真理箱との交叉和(IoU)を計算することである。 この手順は平面画像に対してよく定義され、解決されるが、球面物体の検出は容易ではない。 既存の方法では、バイアス付き境界ボックス表現に基づいてIoUを計算するか、過剰な近似を行い、誤った結果を与える。 本稿では,まず球面長方形が球面画像内の物体に対する偏りのない境界ボックスであることを同定し,近似を伴わないiou計算の解析法を提案する。 また,不偏表現と計算に基づいて,球面画像に対するアンカー自由物体検出アルゴリズムを提案する。 2つの球面物体検出データセットを用いた実験により,提案手法は既存手法よりも優れた性能が得られることが示された。

関連論文リスト

• Weighted Circle Fusion: Ensembling Circle Representation from Different Object Detection Results [9.540862304334969]
  Weighted Circle Fusion (WCF) は、様々な円検出モデルから予測をマージする簡単な手法である。 本手法は,全スライド画像(WSI)における物体検出における糸球体検出のための独自のデータセットの徹底的な評価を行う。 その結果,既存のアンサンブル法と比較すると,性能は5%向上した。
  論文  参考訳（メタデータ） (2024-06-27T21:34:51Z)
• YOLC: You Only Look Clusters for Tiny Object Detection in Aerial Images [33.80392696735718]
  YOLC(You Only Look Clusters)は、アンカーフリーなオブジェクト検出器であるCenterNet上に構築された、効率的で効果的なフレームワークである。 大規模画像や非一様オブジェクトの分布がもたらす課題を克服するため,正確な検出のためにクラスタ領域のズームインを適応的に検索するローカルスケールモジュール(LSM)を導入する。 Visdrone 2019 と UAVDT を含む2つの航空画像データセットに対する広範な実験を行い、提案手法の有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-09T10:03:44Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Rigidity-Aware Detection for 6D Object Pose Estimation [60.88857851869196]
  最近の6Dオブジェクトのポーズ推定方法は、最初にオブジェクト検出を使用して2Dバウンディングボックスを取得し、実際にポーズを回帰する。 本研究では,6次元ポーズ推定において対象物体が剛性であるという事実を利用した剛性認識検出手法を提案する。 このアプローチの成功の鍵となるのは可視性マップであり、これは境界ボックス内の各ピクセルとボックス境界の間の最小障壁距離を用いて構築することを提案する。
  論文  参考訳（メタデータ） (2023-03-22T09:02:54Z)
• ARUBA: An Architecture-Agnostic Balanced Loss for Aerial Object Detection [24.085715205081385]
  我々は、オブジェクトのサイズを画像中の画素数、サイズ不均衡として、データセット内の特定のサイズのオブジェクトの過剰表現として表現する。 本稿では,任意のオブジェクト検出モデル上にプラグインとして適用可能な,新しいARchitectUre-Agnostic BAlanced Loss (ARUBA)を提案する。
  論文  参考訳（メタデータ） (2022-10-10T11:28:16Z)
• Object Detection in Aerial Images with Uncertainty-Aware Graph Network [61.02591506040606]
  本稿では,ノードとエッジがオブジェクトによって表現される構造化グラフを用いた,新しい不確実性を考慮したオブジェクト検出フレームワークを提案する。 我々は我々のモデルをオブジェクトDETection(UAGDet)のための不確実性対応グラフネットワークと呼ぶ。
  論文  参考訳（メタデータ） (2022-08-23T07:29:03Z)
• Scale Normalized Image Pyramids with AutoFocus for Object Detection [75.71320993452372]
  スケール正規化画像ピラミッド(SNIP)が生成され、人間の視覚と同様に、異なるスケールで固定されたサイズ範囲内のオブジェクトにのみ参加する。 本研究では,オブジェクトを含む可能性のある固定サイズのサブリージョンのみで動作する,効率的な空間サブサンプリング手法を提案する。 結果のアルゴリズムはAutoFocusと呼ばれ、SNIPを使用する場合の推論では2.5～5倍のスピードアップとなる。
  論文  参考訳（メタデータ） (2021-02-10T18:57:53Z)
• 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)
• Object condensation: one-stage grid-free multi-object reconstruction in physics detectors, graph and image data [0.0]
  検出器信号に対して新しい物体凝縮法を提案する。 この方法は、グラフや点雲のような非イメージ的なデータ構造に基づいている。 これは画像の単純な対象分類問題に適用され、検出器信号から複数の粒子を再構成するために使用される。
  論文  参考訳（メタデータ） (2020-02-10T09:04:02Z)

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。