論文の概要: Confidence Propagation Cluster: Unleash Full Potential of Object
Detectors
- arxiv url: http://arxiv.org/abs/2112.00342v1
- Date: Wed, 1 Dec 2021 08:22:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 14:34:06.385028
- Title: Confidence Propagation Cluster: Unleash Full Potential of Object
Detectors
- Title(参考訳): Confidence Propagation Cluster: オブジェクト検出の完全な可能性
- Authors: Yichun Shen*, Wanli Jiang*, Zhen Xu, Rundong Li, Junghyun Kwon, Siyi
Li
- Abstract要約: ほとんどのオブジェクト検出方法は、非最大抑圧(NMS)とSoft-NMSのような改良版を用いてオブジェクトを取得し、冗長なバウンディングボックスを除去する。
1) 信頼度が高いバウンディングボックスは, 基本トラストボックスと最大の重なりを持つ真の正ではなく, 2) 冗長ボックスには抑制が必要であり, 真の正の場合には信頼性向上も必要である, 3) 完全並列性を実現するためには, 信頼値で候補ボックスをソートする必要がなくなる,という3つの側面からNMSベースの手法に挑戦する。
本稿では,信念の伝播(BP)に触発されて提案する。
- 参考スコア(独自算出の注目度): 8.996530151621661
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It has been a long history that most object detection methods obtain objects
by using the non-maximum suppression (NMS) and its improved versions like
Soft-NMS to remove redundant bounding boxes. We challenge those NMS-based
methods from three aspects: 1) The bounding box with highest confidence value
may not be the true positive having the biggest overlap with the ground-truth
box. 2) Not only suppression is required for redundant boxes, but also
confidence enhancement is needed for those true positives. 3) Sorting candidate
boxes by confidence values is not necessary so that full parallelism is
achievable.
In this paper, inspired by belief propagation (BP), we propose the Confidence
Propagation Cluster (CP-Cluster) to replace NMS-based methods, which is fully
parallelizable as well as better in accuracy. In CP-Cluster, we borrow the
message passing mechanism from BP to penalize redundant boxes and enhance true
positives simultaneously in an iterative way until convergence. We verified the
effectiveness of CP-Cluster by applying it to various mainstream detectors such
as FasterRCNN, SSD, FCOS, YOLOv3, YOLOv5, Centernet etc. Experiments on MS COCO
show that our plug and play method, without retraining detectors, is able to
steadily improve average mAP of all those state-of-the-art models with a clear
margin from 0.2 to 1.9 respectively when compared with NMS-based methods.
Source code is available at https://github.com/shenyi0220/CP-Cluster
- Abstract(参考訳): ほとんどのオブジェクト検出手法が非最大抑圧(NMS)とSoft-NMSのような改良版を使って冗長な境界ボックスを除去することでオブジェクトを得るのは、長い歴史がある。
我々は3つの側面からNMSベースの手法に挑戦する。
1) 最も信頼度の高いバウンディングボックスは、接地箱と最大の重なりを持つ真の正ではないかもしれない。
2) 冗長箱には抑制が要求されるだけでなく, 真の正の場合には信頼性向上も必要である。
3)完全並列性を実現するために,信頼度値による候補ボックスのソートは不要である。
本稿では,信条伝播(bp)に触発されて,完全並列化と精度向上を両立したnms法を代替する信頼度伝播クラスタ(cp-cluster)を提案する。
CP-Clusterでは、BPからメッセージパッシング機構を借りて冗長ボックスをペナル化し、収束までの反復的な方法で真の正を同時に強化する。
我々は, 高速RCNN, SSD, FCOS, YOLOv3, YOLOv5, Centernetなどの主流検出器に適用することでCP-Clusterの有効性を検証した。
ms cocoにおける実験では、検出器を再訓練することなく、これらの最先端モデルの平均マップを、それぞれ0.2から1.9の明確なマージンで着実に改善できることを示した。
ソースコードはhttps://github.com/shenyi0220/CP-Clusterで入手できる。
関連論文リスト
- BoostTrack++: using tracklet information to detect more objects in multiple object tracking [0.0]
類似度尺度と過去の信頼度スコアに基づいて,新たな信頼度スコアを算出するソフト検出信頼度向上手法を提案する。
提案手法は,MOT17データセット上でのアート結果の近況と,MOT20データセット上でのアートHOTAとIDF1スコアの新たな状態を実現する。
論文 参考訳(メタデータ) (2024-08-23T11:44:21Z) - Theoretically Achieving Continuous Representation of Oriented Bounding Boxes [64.15627958879053]
本論文は,オブジェクト指向境界ボックス表現における不連続性を完全に解決しようとする試みである。
本研究では,既存の検出器に容易に統合可能なCOBB(Continuous OBB)という新しい表現法を提案する。
OOD評価のためのオープンソースのディープラーニングフレームワークJittorの検出ツールボックスJDetをベースとした,モジュール化されたベンチマークを開発した。
論文 参考訳(メタデータ) (2024-02-29T09:27:40Z) - Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析
本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。
我々の手法は、最先端の手法をクリアマージンで上回る。
論文 参考訳(メタデータ) (2023-07-16T16:32:14Z) - Accurate and Reliable Methods for 5G UAV Jamming Identification With
Calibrated Uncertainty [3.4208659698673127]
不確実性を考慮せずに精度を上げるだけで、Deep Neural Network(DNN)の意思決定に悪影響を及ぼす可能性がある。
本稿では,時系列二項分類問題に対する前処理と後処理の5つの組み合わせを提案する。
論文 参考訳(メタデータ) (2022-11-05T15:04:45Z) - A Large-scale Multiple-objective Method for Black-box Attack against
Object Detection [70.00150794625053]
我々は、真正の確率を最小化し、偽正の確率を最大化し、より多くの偽正の物体が新しい真正の有界箱を作らないようにする。
我々は、GARSDCと呼ばれるランダム・サブセット選択とディバイド・アンド・コンカーによる標準的な遺伝的アルゴリズムを拡張し、効率を大幅に改善する。
最先端攻撃法と比較して、GARSDCはmAPでは平均12.0、広範囲な実験ではクエリでは約1000倍減少する。
論文 参考訳(メタデータ) (2022-09-16T08:36:42Z) - Disentangle Your Dense Object Detector [82.22771433419727]
深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。
しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。
そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
論文 参考訳(メタデータ) (2021-07-07T00:52:16Z) - Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。
また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
論文 参考訳(メタデータ) (2021-05-07T09:37:06Z) - Confluence: A Robust Non-IoU Alternative to Non-Maxima Suppression in
Object Detection [0.570896453969985]
Confluenceは、最適なバウンディングボックスを選択するために、個々の信頼度スコアのみに依存するアルゴリズムである。
MS COCOとPASCAL VOC 2007のデータセットを使用して、RetinaNet、YOLOv3、Mask-RCNNで実験的に検証されている。
Confluenceは、両方のmAPでGreedy NMSを上回り、両方のデータセットでリコールする。
論文 参考訳(メタデータ) (2020-12-01T04:22:01Z) - Hashing-based Non-Maximum Suppression for Crowded Object Detection [63.761451382081844]
オブジェクト検出のための非最大ボックスを効率的に抑制するアルゴリズム,HNMS(Hash-based non-maximumpression)を提案する。
2段階検出器では、領域提案ネットワークにおけるNMSをHNMSに置き換え、相当の精度でかなりのスピードアップを観測する。
CARPK、SKU-110K、CrowdHumanデータセットを用いて実験を行い、HNMSの有効性と有効性を示す。
論文 参考訳(メタデータ) (2020-05-22T23:45:59Z)
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。