論文の概要: A Normalized Gaussian Wasserstein Distance for Tiny Object Detection

• arxiv url: http://arxiv.org/abs/2110.13389v1
• Date: Tue, 26 Oct 2021 03:43:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 14:58:28.958430
• Title: A Normalized Gaussian Wasserstein Distance for Tiny Object Detection
• Title（参考訳）: 微小物体検出のための正規化ガウス距離
• Authors: Jinwang Wang, Chang Xu, Wen Yang, Lei Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 21.50800336432307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting tiny objects is a very challenging problem since a tiny object only contains a few pixels in size. We demonstrate that state-of-the-art detectors do not produce satisfactory results on tiny objects due to the lack of appearance information. Our key observation is that Intersection over Union (IoU) based metrics such as IoU itself and its extensions are very sensitive to the location deviation of the tiny objects, and drastically deteriorate the detection performance when used in anchor-based detectors. To alleviate this, we propose a new evaluation metric using Wasserstein distance for tiny object detection. Specifically, we first model the bounding boxes as 2D Gaussian distributions and then propose a new metric dubbed Normalized Wasserstein Distance (NWD) to compute the similarity between them by their corresponding Gaussian distributions. The proposed NWD metric can be easily embedded into the assignment, non-maximum suppression, and loss function of any anchor-based detector to replace the commonly used IoU metric. We evaluate our metric on a new dataset for tiny object detection (AI-TOD) in which the average object size is much smaller than existing object detection datasets. Extensive experiments show that, when equipped with NWD metric, our approach yields performance that is 6.7 AP points higher than a standard fine-tuning baseline, and 6.0 AP points higher than state-of-the-art competitors.
• Abstract（参考訳）: 小さなオブジェクトはサイズが数ピクセルしかないため、小さなオブジェクトの検出は非常に難しい問題である。 現状の検出器は外観情報の欠如により、小さな物体に対して良好な結果が得られないことを実証する。 我々の重要な観察は、IoU(Intersection over Union)に基づく測定値とその拡張値が、微小物体の位置偏差に非常に敏感であり、アンカーベース検出器での使用時の検出性能を劇的に低下させることである。 そこで本研究では,Wasserstein 距離を用いた微小物体検出のための新しい評価指標を提案する。 具体的には、まず境界ボックスを2次元ガウス分布としてモデル化し、それに対応するガウス分布によってそれらの類似性を計算するために正規化ワッサーシュタイン距離(NWD)と呼ばれる新しい計量を提案する。 提案するnwdメトリックは、一般的なiouメトリックを置き換えるアンカーベースの検出器の割り当て、非最大抑制、損失関数に容易に組み込むことができる。 我々は、既存のオブジェクト検出データセットよりも平均オブジェクトサイズがはるかに小さい、小さなオブジェクト検出(ai-tod)のための新しいデータセットでメトリクスを評価する。 広汎な実験により,NWD測定器を装着すると,標準的な微調整ベースラインよりも6.7APポイント,最先端の競合他社より6.0APポイント高い性能が得られることがわかった。

関連論文リスト

• Similarity Distance-Based Label Assignment for Tiny Object Detection [17.059514012235354]
  そこで我々は,SimD(Simisity Distance)と呼ばれるシンプルだが効果的な戦略を導入し,ボックス間の類似性を評価する。 我々のアプローチは、ラベル割り当てやNon Maximum Suppression(NMS)のためのIoUの代わりに、一般的なアンカーベース検出器に適用できる。 4つの主流となる小型物体検出データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-07-02T16:12:37Z)
• Visible and Clear: Finding Tiny Objects in Difference Map [50.54061010335082]
  本稿では,検出モデルに自己再構成機構を導入し,それと微小物体との強い相関関係を明らかにする。 具体的には、再構成画像と入力の差分マップを構築して、検出器の首の内側に再構成ヘッドを配置し、小さな物体に対して高い感度を示す。 さらに、小さな特徴表現をより明確にするために、差分マップガイド機能拡張(DGFE)モジュールを開発する。
  論文  参考訳（メタデータ） (2024-05-18T12:22:26Z)
• 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)
• 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)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection [45.10513110142015]
  現在のアンカーベースまたはアンカーフリーなラベル割り当てパラダイムは、多くのアウトリーな小さな基底真理サンプルを発生させる。 本稿では,小物体検出のためのガウス受容場に基づくラベルアサインメント(RFLA)戦略を提案する。 当社のアプローチは、AI-TODデータセットの4.0APポイントで最先端の競合より優れています。
  論文  参考訳（メタデータ） (2022-08-18T09:35:56Z)
• Detecting tiny objects in aerial images: A normalized Wasserstein distance and a new benchmark [45.10513110142015]
  本稿では, 正規化ワッサースタイン距離 (NWD) と呼ばれる新しい評価基準と, 小型物体検出のためのRanKing-based Assigning (RKA) 戦略を提案する。 提案したNWD-RKA戦略は、標準のIoUしきい値に基づくものを置き換えるために、あらゆる種類のアンカーベースの検出器に容易に組み込むことができる。 4つのデータセットでテストされたNWD-RKAは、大きなマージンで小さなオブジェクト検出性能を継続的に改善することができる。
  論文  参考訳（メタデータ） (2022-06-28T13:33:06Z)
• EPP-Net: Extreme-Point-Prediction-Based Object Detection [9.270523894683278]
  本研究では,各画素と4つの極点間の相対変位ベクトルを回帰するアンカーフリーの高密度物体検出器を提案する。 また、極点の2つの群、すなわち、連合上の極端断面積(EIoU)の類似度を測定するための新しい測度も提案する。 MS-COCOデータセットでは,ResNet-50では平均精度が39.3%,ResNeXt-101-DCNでは48.3%である。
  論文  参考訳（メタデータ） (2021-04-29T01:01:50Z)
• SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
  小さくて散らばった物体は実世界では一般的であり、検出は困難である。 本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。 機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
  論文  参考訳（メタデータ） (2020-04-28T06:03:54Z)

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。