論文の概要: Pedestrian Detection: Domain Generalization, CNNs, Transformers and Beyond

• arxiv url: http://arxiv.org/abs/2201.03176v1
• Date: Mon, 10 Jan 2022 06:00:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 22:35:53.801640
• Title: Pedestrian Detection: Domain Generalization, CNNs, Transformers and Beyond
• Title（参考訳）: 歩行者検出:ドメインの一般化、cnn、トランスフォーマーなど
• Authors: Irtiza Hasan, Shengcai Liao, Jinpeng Li, Saad Ullah Akram, and Ling Shao
• Abstract要約: その結果、現在の歩行者検知器は、クロスデータセット評価において、たとえ小さな領域シフトであっても処理が不十分であることがわかった。 限定的な一般化は、その方法と現在のデータ源の2つの主要な要因に帰着する。 本稿では、一般化を改善する進歩的な微調整戦略を提案する。
• 参考スコア（独自算出の注目度）: 82.37430109152383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pedestrian detection is the cornerstone of many vision based applications, starting from object tracking to video surveillance and more recently, autonomous driving. With the rapid development of deep learning in object detection, pedestrian detection has achieved very good performance in traditional single-dataset training and evaluation setting. However, in this study on generalizable pedestrian detectors, we show that, current pedestrian detectors poorly handle even small domain shifts in cross-dataset evaluation. We attribute the limited generalization to two main factors, the method and the current sources of data. Regarding the method, we illustrate that biasness present in the design choices (e.g anchor settings) of current pedestrian detectors are the main contributing factor to the limited generalization. Most modern pedestrian detectors are tailored towards target dataset, where they do achieve high performance in traditional single training and testing pipeline, but suffer a degrade in performance when evaluated through cross-dataset evaluation. Consequently, a general object detector performs better in cross-dataset evaluation compared with state of the art pedestrian detectors, due to its generic design. As for the data, we show that the autonomous driving benchmarks are monotonous in nature, that is, they are not diverse in scenarios and dense in pedestrians. Therefore, benchmarks curated by crawling the web (which contain diverse and dense scenarios), are an efficient source of pre-training for providing a more robust representation. Accordingly, we propose a progressive fine-tuning strategy which improves generalization. Code and models cab accessed at https://github.com/hasanirtiza/Pedestron.
• Abstract（参考訳）: 歩行者検出は、物体追跡からビデオ監視、そして最近では自動運転まで、多くのビジョンベースのアプリケーションの基礎となる。 オブジェクト検出におけるディープラーニングの急速な発展により、歩行者検出は従来の単一データセットのトレーニングと評価設定において非常に優れたパフォーマンスを達成している。 しかし, 一般化可能な歩行者検知器に関する本研究では, 現行の歩行者検知器は, クロスデータセット評価において, 小さい領域シフトでさえも扱いにくいことが示されている。 限定的な一般化は、その方法と現在のデータ源の2つの主要な要因に帰着する。 本手法では,現在の歩行者検知器の設計選択(例えばアンカー設定)に存在するバイアスが,限定的な一般化の主要な要因であることを示す。 現代の歩行者検出装置は、従来の単一トレーニングとテストパイプラインで高いパフォーマンスを達成するためにターゲットデータセットに調整されているが、クロスデータセットの評価によって性能が低下している。 その結果、汎用オブジェクト検出器は、その汎用設計のため、アート歩行者検出器の状態と比較して、クロスデータセット評価が優れている。 データについては、自律走行ベンチマークは本質的に単調であり、シナリオでは多様ではなく、歩行者では密集していることを示している。 したがって、webをクロールする(多様で密集したシナリオを含む)ベンチマークは、より堅牢な表現を提供するための事前トレーニングの効率的なソースである。 そこで本研究では,一般化を向上するプログレッシブ微調整戦略を提案する。 コードとモデルはhttps://github.com/hasanirtiza/pedestronからアクセスする。

関連論文リスト

• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Generalizable Pedestrian Detection: The Elephant In The Room [82.37430109152383]
  既存の最先端の歩行者検出器は、同じデータセット上でトレーニングやテストを行う際には、非常によく機能するが、データセット間の評価では、十分に一般化されていない。 ウェブをクロールすることで収集される多様で高密度なデータセットは、歩行者検出のための事前学習の効率的な情報源であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T14:14:52Z)

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。