論文の概要: Layer-wise Customized Weak Segmentation Block and AIoU Loss for Accurate Object Detection

• arxiv url: http://arxiv.org/abs/2108.11021v1
• Date: Wed, 25 Aug 2021 02:42:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 13:01:53.494643
• Title: Layer-wise Customized Weak Segmentation Block and AIoU Loss for Accurate Object Detection
• Title（参考訳）: 高精度物体検出のための層別弱分割ブロックとaiou損失
• Authors: Keyang Wang, Lei Zhang, Wenli Song, Qinghai Lang, Lingyun Qin
• Abstract要約: そこで本研究では,各層におけるスケールカスタマイズオブジェクト特徴学習のために,画素レベルのSCWSブロックを提案する。 SCWSブロックを単発検出器に統合することにより、スケール認識オブジェクト検出器(SCOD)を構築し、異なるサイズのオブジェクトを自然かつ正確に検出する。
• 参考スコア（独自算出の注目度）: 7.3179451998143605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The anchor-based detectors handle the problem of scale variation by building the feature pyramid and directly setting different scales of anchors on each cell in different layers. However, it is difficult for box-wise anchors to guide the adaptive learning of scale-specific features in each layer because there is no one-to-one correspondence between box-wise anchors and pixel-level features. In order to alleviate the problem, in this paper, we propose a scale-customized weak segmentation (SCWS) block at the pixel level for scale customized object feature learning in each layer. By integrating the SCWS blocks into the single-shot detector, a scale-aware object detector (SCOD) is constructed to detect objects of different sizes naturally and accurately. Furthermore, the standard location loss neglects the fact that the hard and easy samples may be seriously imbalanced. A forthcoming problem is that it is unable to get more accurate bounding boxes due to the imbalance. To address this problem, an adaptive IoU (AIoU) loss via a simple yet effective squeeze operation is specified in our SCOD. Extensive experiments on PASCAL VOC and MS COCO demonstrate the superiority of our SCOD.
• Abstract（参考訳）: アンカーベースの検出器は、機能ピラミッドを構築し、異なる層内の各セルに異なるアンカーのスケールを直接設定することで、スケール変動の問題に対処する。 しかし,ボックスワイズアンカーとピクセルレベルの機能には1対1の対応がないため,各層におけるスケール特有の特徴の適応学習をボックスワイズアンカーが導くことは困難である。 この問題を軽減するため,本稿では,各層をカスタマイズしたオブジェクト特徴学習のために,画素レベルでのスケールカスタマイズされた弱セグメント化(scws)ブロックを提案する。 SCWSブロックを単発検出器に統合することにより、スケール認識オブジェクト検出器(SCOD)を構築し、異なるサイズのオブジェクトを自然かつ正確に検出する。 さらに、標準位置損失は、困難で簡単なサンプルが深刻な不均衡であるという事実を無視している。 今後の問題は、不均衡のため、より正確なバウンディングボックスを得ることができないことだ。 この問題に対処するため、SCODでは、単純で効果的な圧縮操作による適応IoU(AIoU)損失が特定されている。 PASCAL VOCとMS COCOの大規模な実験はSCODの優位性を示している。

関連論文リスト

• SCLNet: A Scale-Robust Complementary Learning Network for Object Detection in UAV Images [0.0]
  本稿では,SCLNet(Scale-robust complementary learning network)を提案する。 1つの実装は、提案したスケール補完デコーダとスケール補完損失関数に基づいている。 もう一つの実装は、提案したコントラッシブ・コントラスト・コントラスト・コントラスト・コントラスト・ネットワークとコントラスト・コントラスト・コントラスト・コントラスト・コントラスト・ロス関数に基づいている。
  論文  参考訳（メタデータ） (2024-09-11T05:39:25Z)
• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• Infrared Small Target Detection with Scale and Location Sensitivity [19.89762494490961]
  本稿では,より効率的な損失を伴い,より単純なモデル構造で検出性能を向上させることに焦点を当てる。 具体的には、まず、既存の損失の限界に対応するために、新しいスケール・アンド・ロケーション・センシティブ(SLS)損失を提案する。 予測の規模毎にSLS損失を適用することで、MSHNetは既存の最先端手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2024-03-28T12:28:58Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• STEERER: Resolving Scale Variations for Counting and Localization via Selective Inheritance Learning [74.2343877907438]
  スケールの変動はオブジェクトカウントにおける根深い問題であり、既存のスケールアウェアアルゴリズムでは効果的に対処されていない。 本稿では,オブジェクトカウントにおけるスケール変動の問題に対処する,STEERERと呼ばれる新しい手法を提案する。 STEERERは、特徴抽出を促進するために、パッチオブジェクトに最も適したスケールを選択し、下位から上位までの識別的特徴のみを徐々に継承する。
  論文  参考訳（メタデータ） (2023-08-21T05:09:07Z)
• SIOD: Single Instance Annotated Per Category Per Image for Object Detection [67.64774488115299]
  画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。 WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。 SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:49:51Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Toward Minimal Misalignment at Minimal Cost in One-Stage and Anchor-Free Object Detection [6.486325109549893]
  分類と回帰の分岐は、同じ規模と同じ空間的位置から特徴に対して異なる感受性を持つ。 本稿では,高い分類信頼点が高い回帰品質を持つという仮定に基づいて,点に基づく予測手法を提案する。 我々は,この現象を最小限のコストで解決することを目指しており,頭部ネットワークの微調整と,剛体ネットワークを置き換えた新しいラベル割り当て手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T14:22:13Z)
• SSPNet: Scale Selection Pyramid Network for Tiny Person Detection from UAV Images [10.439155825343517]
  小型人検出のためのSSPNet(Scale Selection Pyramid Network)を提案する。 SSPNetは、コンテキスト注意モジュール(CAM)、スケール拡張モジュール(SEM)、スケール選択モジュール(SSM)の3つのコンポーネントから構成される。 我々の方法は、他の最先端検出器(SOTA)よりも優れている。
  論文  参考訳（メタデータ） (2021-07-04T05:46:41Z)
• Single-Shot Two-Pronged Detector with Rectified IoU Loss [10.616828072065093]
  本稿では,前後方向の異なる層間の関係を探索する,新しい2段階のトランスダクティブ・アイデアを提案する。 提案手法では,高次特徴と低次特徴の双方向移動を実現するための2段階ネットワーク(TPNet)を提案する。
  論文  参考訳（メタデータ） (2020-08-08T12:36:55Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)

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。