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
- Improving the Detection of Small Oriented Objects in Aerial Images [0.0]
本研究では,オブジェクト指向物体検出モデルの分類・回帰タスクを強化することにより,空中画像中の小型物体を高精度に検出する手法を提案する。
ガイド・アテンション・ロス(GALoss)とボックス・ポイント・ロス(BPLoss)の2つの損失からなるアテンション・ポイント・ネットワークを設計した。
実験結果から,小型オブジェクトインスタンスを用いた標準指向型空中データセットにおける注意点ネットワークの有効性が示された。
論文 参考訳(メタデータ) (2024-01-12T11:00:07Z) - A Geometrical Approach to Evaluate the Adversarial Robustness of Deep
Neural Networks [52.09243852066406]
対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。
我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
論文 参考訳(メタデータ) (2023-10-10T09:39:38Z) - 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) - TinyDet: Accurate Small Object Detection in Lightweight Generic
Detectors [35.20978430099343]
本稿では,TinyDetと呼ばれる計算量が極めて少ない2段階の軽量検出フレームワークを提案する。
COCOベンチマークでは、TinyDet-Mはわずか991 MFLOPsで30.3 APと13.5 APを達成した。
論文 参考訳(メタデータ) (2023-04-07T00:45:50Z) - 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) - Towards Large-Scale Small Object Detection: Survey and Benchmarks [48.961205652306695]
我々は2つの大規模小型物体検出装置(SODA)、SODA-DおよびSODA-Aを構築し、それぞれが運転シナリオと航空シナリオに焦点を当てている。
SODA-Aでは,高分解能空中画像2513点を抽出し,9クラスに872069点を注釈した。
提案されたデータセットは、徹底的な注釈付きインスタンスの膨大なコレクションを持つ大規模なベンチマークへの最初の試みである。
論文 参考訳(メタデータ) (2022-07-28T14:02:18Z) - 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。