論文の概要: Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression

• arxiv url: http://arxiv.org/abs/2110.13675v1
• Date: Tue, 26 Oct 2021 13:09:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 14:54:18.453416
• Title: Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression
• Title（参考訳）: Alpha-IoU: ボックス回帰をバウンディングするためのユニオン損失に対するパワーインターセクションの家族
• Authors: Jiabo He, Sarah Erfani, Xingjun Ma, James Bailey, Ying Chi, Xian-Sheng Hua
• Abstract要約: 我々は、既存のIoUベースの損失を、パワーIoU項と追加のパワー正規化項を有する新しいパワーIoU損失ファミリーに一般化する。 複数のオブジェクト検出ベンチマークとモデルの実験では、$alpha$-IoUの損失が既存のIoUベースの損失を顕著なパフォーマンスマージンで上回ることを示した。
• 参考スコア（独自算出の注目度）: 59.72580239998315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bounding box (bbox) regression is a fundamental task in computer vision. So far, the most commonly used loss functions for bbox regression are the Intersection over Union (IoU) loss and its variants. In this paper, we generalize existing IoU-based losses to a new family of power IoU losses that have a power IoU term and an additional power regularization term with a single power parameter $\alpha$. We call this new family of losses the $\alpha$-IoU losses and analyze properties such as order preservingness and loss/gradient reweighting. Experiments on multiple object detection benchmarks and models demonstrate that $\alpha$-IoU losses, 1) can surpass existing IoU-based losses by a noticeable performance margin; 2) offer detectors more flexibility in achieving different levels of bbox regression accuracy by modulating $\alpha$; and 3) are more robust to small datasets and noisy bboxes.
• Abstract（参考訳）: バウンディングボックス(bbox regression)は、コンピュータビジョンにおける基本的なタスクである。 これまでのところ、bbox回帰の最もよく使われる損失関数は、結合損失(iou)とその変種との交叉である。 本稿では、既存のIoUベースの損失を、パワーIoU項と1つのパワーパラメータ$\alpha$を持つ追加のパワー正規化項を有する新しいIoU損失ファミリーに一般化する。 我々はこの損失のファミリーを$\alpha$-iou損失と呼び、秩序保持性や損失/段階的重み付けなどの特性を分析する。 複数のオブジェクト検出ベンチマークとモデルの実験では、$\alpha$-IoUの損失が示されている。 1) 既存のIoUベースの損失を顕著なパフォーマンスマージンで上回ることができる。 2)bboxのレグレッション精度の異なるレベルを$\alpha$を変調することで、検出器の柔軟性を高める。 3)小さなデータセットや騒がしいbboxに対して、より堅牢である。

関連論文リスト

• Inner-IoU: More Effective Intersection over Union Loss with Auxiliary Bounding Box [10.03001043843768]
  補助的バウンディングボックスを通してIoU損失を算出する内IoU損失を提案する。 異なるデータセットや検出器に対して、補助境界ボックスのスケールサイズを制御するためのスケーリング係数比を導入する。 最後に、シミュレーションと比較実験のために既存のIoUベースの損失関数にInner-IoUを統合する。
  論文  参考訳（メタデータ） (2023-11-06T05:14:24Z)
• Rethinking IoU-based Optimization for Single-stage 3D Object Detection [103.83141677242871]
  本稿では回転分離型IoU(RDIoU)法を提案する。 我々のRDIoUは、回転変数を独立項として分離することで、回帰パラメータの複雑な相互作用を単純化する。
  論文  参考訳（メタデータ） (2022-07-19T15:35:23Z)
• 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)
• A Systematic IoU-Related Method: Beyond Simplified Regression for Better Localization [9.036025934093965]
  本稿では,2つのボックスが重なり合っていない場合によく定義され,重なり合っているときに標準IoUに還元される拡張IoUを提案する。 第3に、最小限のEIoU損失をより安定かつスムーズに接近させる安定最適化手法(SOT)を提案する。
  論文  参考訳（メタデータ） (2021-12-03T09:00:55Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Focal and Efficient IOU Loss for Accurate Bounding Box Regression [63.14659624634066]
  オブジェクト検出では、境界ボックス回帰(BBR)はオブジェクトローカリゼーションのパフォーマンスを決定する重要なステップです。 i) $ell_n$-norm と IOU ベースのロス関数はどちらも BBR の目的を描くのに非効率的であり、これは遅い収束と不正確な回帰結果をもたらす。
  論文  参考訳（メタデータ） (2021-01-20T14:33:58Z)
• Adaptive Weighted Discriminator for Training Generative Adversarial Networks [11.68198403603969]
  本稿では,実物と偽物の重み付けを取り入れた新たな識別器損失関数群を提案する。 本手法は実部と偽部の合計である損失を持つ任意の判別器モデルに適用できる可能性がある。
  論文  参考訳（メタデータ） (2020-12-05T23:55:42Z)
• $\sigma^2$R Loss: a Weighted Loss by Multiplicative Factors using Sigmoidal Functions [0.9569316316728905]
  我々は,二乗還元損失(sigma2$R損失)と呼ばれる新たな損失関数を導入する。 我々の損失は明らかな直観と幾何学的解釈を持ち、我々の提案の有効性を実験によって実証する。
  論文  参考訳（メタデータ） (2020-09-18T12:34:40Z)
• Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation [91.12575065731883]
  境界ボックス回帰および非最大抑圧(NMS)における幾何学的要素の強化を目的とした完全IoU損失とクラスタNMSを提案する。 CIoU損失を用いたディープラーニングモデルのトレーニングは、広く採用されている$ell_n$-norm損失とIoUベースの損失と比較して、一貫性のあるAPとARの改善をもたらす。 クラスタ-NMSは、純粋なGPU実装のため非常に効率的であり、APとARの両方を改善するために幾何学的要素を組み込むことができる。
  論文  参考訳（メタデータ） (2020-05-07T16:00:27Z)

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。