論文の概要: Dynamic Label Assignment for Object Detection by Combining Predicted and
Anchor IoUs
- arxiv url: http://arxiv.org/abs/2201.09396v1
- Date: Sun, 23 Jan 2022 23:14:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 15:47:31.562507
- Title: Dynamic Label Assignment for Object Detection by Combining Predicted and
Anchor IoUs
- Title（参考訳）: 予測とアンカーの併用による物体検出のための動的ラベル割り当て
- Authors: Tianxiao Zhang, Ajay Sharda, Bo Luo, Guanghui Wang
- Abstract要約: 本稿では,予測付きトレーニング状況に基づいてラベル割り当てを動的に行うための,シンプルで効果的な手法を提案する。
本手法は,適応ラベル代入アルゴリズムによる検出モデルの性能改善を示す。
- 参考スコア（独自算出の注目度）: 20.41563386339572
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Label assignment plays a significant role in modern object detection models.
Detection models may yield totally different performances with different label
assignment strategies. For anchor-based detection models, the IoU threshold
between the anchors and their corresponding ground truth bounding boxes is the
key element since the positive samples and negative samples are divided by the
IoU threshold. Early object detectors simply utilize a fixed threshold for all
training samples, while recent detection algorithms focus on adaptive
thresholds based on the distribution of the IoUs to the ground truth boxes. In
this paper, we introduce a simple and effective approach to perform label
assignment dynamically based on the training status with predictions. By
introducing the predictions in label assignment, more high-quality samples with
higher IoUs to the ground truth objects are selected as the positive samples,
which could reduce the discrepancy between the classification scores and the
IoU scores, and generate more high-quality boundary boxes. Our approach shows
improvements in the performance of the detection models with the adaptive label
assignment algorithm and lower bounding box losses for those positive samples,
indicating more samples with higher quality predicted boxes are selected as
positives. The source code will be available at
https://github.com/ZTX-100/DLA-Combined-IoUs.
- Abstract（参考訳）: ラベル割り当ては、現代のオブジェクト検出モデルにおいて重要な役割を果たす。
検出モデルは異なるラベル割り当て戦略で全く異なるパフォーマンスが得られる。
アンカーベース検出モデルでは、正サンプルと負サンプルがIoU閾値で分割されるため、アンカーとそれに対応する接地真理境界ボックスとの間のIoUしきい値が鍵となる。
初期の物体検出器は、すべてのトレーニングサンプルに固定しきい値を使用するが、最近の検出アルゴリズムは、iousの基底真理ボックスへの分布に基づく適応しきい値にフォーカスしている。
本稿では,予測を伴う訓練状況に基づいてラベル割り当てを動的に行うための簡易かつ効果的な手法を提案する。
ラベル割り当てにおける予測を導入することで、より高品質なIoUを基底真理対象とするサンプルを正のサンプルとして選択し、分類スコアとIoUスコアとの差を小さくし、より高品質な境界ボックスを生成する。
提案手法は,適応ラベル割当アルゴリズムによる検出モデルの性能向上と,これらの正のサンプルに対するバウンディングボックス損失の低減を示し,より高品質な予測ボックスを正の候補として選択した。
ソースコードはhttps://github.com/ZTX-100/DLA-Combined-IoUsで入手できる。
関連論文リスト
- Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-07-20T01:34:13Z) - EARL: An Elliptical Distribution aided Adaptive Rotation Label
Assignment for Oriented Object Detection in Remote Sensing Images [22.963695067213084]
アダプティブ・ローテーション・ラベル・アサインメント (EARL) は、アンカーフリー検出器において、高品質な正のサンプルを適応的に選択するために提案される。
本稿では,ターゲットの規模に応じて多レベル特徴写像の中から適応的にサンプルを選択するために,適応型スケールサンプリング(ADS)戦略を提案する。
さらに, 動的楕円分布支援サンプリング (DED) 戦略を提案し, 試料分布をより柔軟にし, ターゲットの形状や配向に適合させる。
論文 参考訳（メタデータ） (2023-01-14T08:32:16Z) - Semi-supervised 3D Object Detection with Proficient Teachers [114.54835359657707]
自律運転のシナリオにおけるクラウドベースの3Dオブジェクト検出器の優位性は、大量の正確なラベル付きサンプルに大きく依存している。
Pseudo-Labeling法はSSLフレームワークで一般的に使用されているが、教師モデルの低品質な予測は、その性能を著しく制限している。
そこで本研究では,教師モデルをさらに高度化することで,半教師付き3次元物体検出のためのPseudo-Labelingフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-26T04:54:03Z) - Contrastive Test-Time Adaptation [83.73506803142693]
本稿では,自己指導型コントラスト学習を活用して特徴学習を支援する新しい手法を提案する。
擬似ラベルをオンラインで作成し、ターゲットのフィーチャースペースに最も近い隣人の間でソフト投票によってそれらを洗練します。
我々の手法であるAdaContrastは、主要なベンチマーク上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-04-21T19:17:22Z) - Energy-bounded Learning for Robust Models of Code [16.592638312365164]
プログラミングでは、コード表現の学習には、コード分類、コード検索、コメント生成、バグ予測など、さまざまなアプリケーションがある。
本稿では,ソースコードモデルのトレーニングプロセスにこれらのアウト・オブ・ディストリビューション・サンプルを組み込むため,エネルギー境界学習目標関数を用いて,イン・ディストリビューション・サンプルにより高いスコアを割り当て,アウト・オブ・ディストリビューション・サンプルに低いスコアを割り当てることを提案する。
論文 参考訳（メタデータ） (2021-12-20T06:28:56Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳（メタデータ） (2021-04-19T08:46:08Z) - ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification [25.035093667770052]
2つのモジュールを含むアンチノイズラーニング(ANL)アプローチを提案します。
FDAモジュールは、カメラ回りのコントラスト学習と逆適応を通じて、ID関連サンプルを収集し、ID非関連サンプルを分散するように設計されています。
reliable sample selection(rss)モジュールは、ノイズラベルを訂正し、メインモデルの信頼できるサンプルを選択するために補助モデルを使用する。
論文 参考訳（メタデータ） (2020-12-27T02:38:45Z) - Dynamic Anchor Learning for Arbitrary-Oriented Object Detection [4.247967690041766]
任意指向オブジェクトは、自然のシーン、空中写真、リモートセンシング画像などに広く現れる。
現在の回転検出器は、異なる向きのアンカーをたくさん使用して、地上の真実ボックスとの空間アライメントを実現します。
新たに定義されたマッチング度を利用した動的アンカー学習(DAL)法を提案する。
論文 参考訳（メタデータ） (2020-12-08T01:30:06Z) - Probabilistic Anchor Assignment with IoU Prediction for Object Detection [9.703212439661097]
オブジェクト検出では、どのアンカーを正または負のサンプルとして割り当てるか、すなわちアンカー代入(アンカー代入)がモデルの性能に大きく影響を与えるコアプロシージャとして明らかにされている。
本稿では,モデルの学習状況に応じて,アンカーを正と負のサンプルに適応的に分離する新しいアンカー代入戦略を提案する。
論文 参考訳（メタデータ） (2020-07-16T04:26:57Z)
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。