論文の概要: Boundary Distribution Estimation to Precise Object Detection

• arxiv url: http://arxiv.org/abs/2111.01396v1
• Date: Tue, 2 Nov 2021 06:58:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 14:07:41.196362
• Title: Boundary Distribution Estimation to Precise Object Detection
• Title（参考訳）: 精密物体検出のための境界分布推定
• Authors: Haoran Zhou, Hang Huang, Rui Zhao, Wei Wang, and Qingguo Zhou
• Abstract要約: 現代の主検出器では、オブジェクトの局所化のタスクは、境界ボックスの回帰に集中するボックスによって実装される。 提案手法の問題点を理論的解析と実験的検証により証明する。 提案手法は, 対象の境界における分布を推定することにより, 既定の局所化結果に基づいて境界ボックスのエッジを改良する。
• 参考スコア（独自算出の注目度）: 10.999785070116973
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In principal modern detectors, the task of object localization is implemented by the box subnet which concentrates on bounding box regression. The box subnet customarily predicts the position of the object by regressing box center position and scaling factors. Although this approach is frequently adopted, we observe that the result of localization remains defective, which makes the performance of the detector unsatisfactory. In this paper, we prove the flaws in the previous method through theoretical analysis and experimental verification and propose a novel solution to detect objects precisely. Rather than plainly focusing on center and size, our approach refines the edges of the bounding box on previous localization results by estimating the distribution at the boundary of the object. Experimental results have shown the potentiality and generalization of our proposed method.
• Abstract（参考訳）: 現代の主検出器では、オブジェクトローカライゼーションのタスクは、バウンディングボックスレグレッションに集中するボックスサブネットによって実装される。 ボックスサブネットは、ボックス中心位置とスケーリング要因を後退させることで、通常、オブジェクトの位置を予測する。 このアプローチは頻繁に採用されているが, 局所化の結果は依然として不良であり, 検出器の性能は不満足である。 本稿では,先行手法の欠陥を理論的解析と実験的検証により証明し,物体を高精度に検出する新しい解を提案する。 本手法は, 対象物の境界における分布を推定することにより, 従来の局所化結果に基づいて, 境界ボックスのエッジを改良する。 実験の結果,提案手法の可能性と一般化が示された。

関連論文リスト

• DiffuBox: Refining 3D Object Detection with Point Diffusion [74.01759893280774]
  本研究では,3次元物体の検出と局所化を確保するために,新しい拡散型ボックス精細化手法を提案する。 提案手法は,様々なドメイン適応設定下で評価し,その結果,異なるデータセット間での大幅な改善が示された。
  論文  参考訳（メタデータ） (2024-05-25T03:14:55Z)
• Rigidity-Aware Detection for 6D Object Pose Estimation [60.88857851869196]
  最近の6Dオブジェクトのポーズ推定方法は、最初にオブジェクト検出を使用して2Dバウンディングボックスを取得し、実際にポーズを回帰する。 本研究では,6次元ポーズ推定において対象物体が剛性であるという事実を利用した剛性認識検出手法を提案する。 このアプローチの成功の鍵となるのは可視性マップであり、これは境界ボックス内の各ピクセルとボックス境界の間の最小障壁距離を用いて構築することを提案する。
  論文  参考訳（メタデータ） (2023-03-22T09:02:54Z)
• Confidence-driven Bounding Box Localization for Small Object Detection [30.906712428887147]
  信頼性駆動型バウンディングボックスローカライゼーション(C-BBL)法を提案する。 C-BBLは連続ラベルをグリッドに量子化し、2ホット基底の真理ラベルを定式化する。 異なるラベルシステムに対するC-BBLの一般化可能性と高分解能検出の有効性を示す。
  論文  参考訳（メタデータ） (2023-03-03T09:19:08Z)
• Uncertainty Calibration and its Application to Object Detection [0.0]
  本研究では,意味的不確実性(どのオブジェクトタイプか)と空間的不確実性(空間的不確実性)について検討する。 オブジェクト検出モデルの予測不確かさが実世界のデータ上で達成された観測誤差と一致しているかを評価する。
  論文  参考訳（メタデータ） (2023-02-06T08:41:07Z)
• Uncertainty-Aware Model Adaptation for Unsupervised Cross-Domain Object Detection [12.807987076435928]
  この研究は、教師なしのクロスドメインオブジェクト検出問題に取り組む。 これは、事前訓練された物体検出器をラベルなしで新しいターゲットドメインに一般化することを目的としている。
  論文  参考訳（メタデータ） (2021-08-28T09:37:18Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Bi-Dimensional Feature Alignment for Cross-Domain Object Detection [71.85594342357815]
  教師なしクロスドメイン検出モデルを提案する。 ソースドメインのアノテーション付きデータを利用して、異なるターゲットドメインに対してオブジェクト検出器をトレーニングする。 提案モデルでは、オブジェクト検出のためのクロスドメイン表現のばらつきを緩和する。
  論文  参考訳（メタデータ） (2020-11-14T03:03:11Z)
• Dive Deeper Into Box for Object Detection [49.923586776690115]
  そこで我々は,より正確な位置決めを行うために,ボックスに深く潜り込むことができるボックス再構成手法(DDBNet)を提案する。 実験結果から,本手法はオブジェクト検出の最先端性能に寄与する可能性が示唆された。
  論文  参考訳（メタデータ） (2020-07-15T07:49:05Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)
• Mixup Regularization for Region Proposal based Object Detectors [0.0]
  本研究では,アンカーの固有領域マッピング構造を活用して,領域提案に基づく物体検出のための混合学習規則を導入することを提案する。 実験の結果,画像変化に対する頑健さが向上し,検出の非コンテクスト化能力も向上し,一般化能力が向上した。
  論文  参考訳（メタデータ） (2020-03-04T13:16:45Z)

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。