論文の概要: BDC: Bounding-Box Deep Calibration for High Performance Face Detection

• arxiv url: http://arxiv.org/abs/2110.03892v1
• Date: Fri, 8 Oct 2021 04:41:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 01:06:31.567038
• Title: BDC: Bounding-Box Deep Calibration for High Performance Face Detection
• Title（参考訳）: BDC: 高性能顔検出のためのバウンディングボックスディープキャリブレーション
• Authors: Shi Luo, Xiongfei Li, Xiaoli Zhang
• Abstract要約: 現代のCNNベースの顔検出器は、大きなアノテートデータセットのため、大きな進歩を遂げている。 検出信頼性が高いが、ローカライゼーション精度の低い結果が一致しないと、検出性能がさらに向上する。 本稿では,一貫性のないアノテーションをモデル予測バウンディングボックスで合理的に置き換える新しいバウンディングボックスディープ(BDC)法を提案する。
• 参考スコア（独自算出の注目度）: 11.593495085674345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern CNN-based face detectors have achieved tremendous strides due to large annotated datasets. However, misaligned results with high detection confidence but low localization accuracy restrict the further improvement of detection performance. In this paper, we first generate detection results on training set itself. Surprisingly, a considerable part of them exist the same misalignment problem. Then, we carefully examine these misaligned cases and point out annotation inconsistency is the main reason. Finally, we propose a novel Bounding-Box Deep Calibration (BDC) method to reasonably replace inconsistent annotations with model predicted bounding-boxes and create a new annotation file for training set. Extensive experiments on WIDER FACE dataset show the effectiveness of BDC on improving models' precision and recall rate. Our simple and effective method provides a new direction for improving face detection. Source code is available at https://github.com/shiluo1990/BDC.
• Abstract（参考訳）: 現代のCNNベースの顔検出器は、大きなアノテートデータセットのため、大きな進歩を遂げている。 しかし,検出信頼度が高いがローカライズ精度が低く,検出性能のさらなる向上が抑制された。 本稿では,まず,トレーニングセット自体に対する検出結果を生成する。 驚くべきことに、その大部分は同じミスアライメント問題が存在する。 次に,これらの不一致を慎重に検討し,アノテーションの不整合が主な原因であることを指摘する。 最後に,不整合アノテーションをモデル予測バウンディングボックスに合理的に置き換え,トレーニングセット用の新しいアノテーションファイルを作成する新しいバウンディングボックスディープキャリブレーション(bdc)法を提案する。 WIDER FACEデータセットの大規模な実験は、BDCがモデルの精度とリコール率を改善する効果を示す。 単純で効果的な手法は顔検出を改善するための新しい方向を提供する。 ソースコードはhttps://github.com/shiluo 1990/BDCで入手できる。

関連論文リスト

• More precise edge detections [0.0]
  エッジ検出 (ED) はコンピュータビジョンの基本的なタスクである。 現在のモデルは相変わらず不満足な精度に悩まされている。 より正確な予測のためのモデルアーキテクチャはまだ調査が必要である。
  論文  参考訳（メタデータ） (2024-07-29T13:24:55Z)
• On Calibration of Object Detectors: Pitfalls, Evaluation and Baselines [15.306933156466522]
  オブジェクト検出器の信頼性の高い使用には、それらを校正する必要がある。 最近のアプローチでは、スクラッチからそれらを訓練して校正された検出器を得るために、新しい損失関数を設計する。 対象検出器の校正と精度を共同で測定する原理的評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-30T20:12:14Z)
• Multiclass Confidence and Localization Calibration for Object Detection [4.119048608751183]
  ディープニューラルネットワーク(DNN)は、過信的な予測を行う傾向があり、調整が不十分である。 本稿では,現代の物体検出手法を校正するための新しい列車時手法を提案する。
  論文  参考訳（メタデータ） (2023-06-14T06:14:16Z)
• Proximity-Informed Calibration for Deep Neural Networks [49.330703634912915]
  ProCalは、近接性に基づいてサンプル信頼度を調整する理論的保証を持つプラグアンドプレイアルゴリズムである。 ProCalは、近接バイアスに対処し、バランスの取れた、長い、分布シフトの設定の校正を改善するのに有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-07T16:40:51Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Tune it the Right Way: Unsupervised Validation of Domain Adaptation via Soft Neighborhood Density [125.64297244986552]
  本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。 私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
  論文  参考訳（メタデータ） (2021-08-24T17:41:45Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。