論文の概要: Decoupled IoU Regression for Object Detection

• arxiv url: http://arxiv.org/abs/2202.00866v1
• Date: Wed, 2 Feb 2022 04:01:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 14:57:05.988478
• Title: Decoupled IoU Regression for Object Detection
• Title（参考訳）: 物体検出のための非結合IoU回帰
• Authors: Yan Gao and Qimeng Wang and Xu Tang and Haochen Wang and Fei Ding and Jing Li and Yao Hu
• Abstract要約: 非最大抑圧(NMS)は、重複したバウンディングボックスを削除するためにオブジェクト検出パイプラインで広く使われている。 NMSの信頼性と実位置推定の信頼性の矛盾は検出性能に深刻な影響を及ぼす。 これらの問題に対処する新しいデカップリングIoU回帰モデルを提案する。
• 参考スコア（独自算出の注目度）: 31.9114940121939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-maximum suppression (NMS) is widely used in object detection pipelines for removing duplicated bounding boxes. The inconsistency between the confidence for NMS and the real localization confidence seriously affects detection performance. Prior works propose to predict Intersection-over-Union (IoU) between bounding boxes and corresponding ground-truths to improve NMS, while accurately predicting IoU is still a challenging problem. We argue that the complex definition of IoU and feature misalignment make it difficult to predict IoU accurately. In this paper, we propose a novel Decoupled IoU Regression (DIR) model to handle these problems. The proposed DIR decouples the traditional localization confidence metric IoU into two new metrics, Purity and Integrity. Purity reflects the proportion of the object area in the detected bounding box, and Integrity refers to the completeness of the detected object area. Separately predicting Purity and Integrity can divide the complex mapping between the bounding box and its IoU into two clearer mappings and model them independently. In addition, a simple but effective feature realignment approach is also introduced to make the IoU regressor work in a hindsight manner, which can make the target mapping more stable. The proposed DIR can be conveniently integrated with existing two-stage detectors and significantly improve their performance. Through a simple implementation of DIR with HTC, we obtain 51.3% AP on MS COCO benchmark, which outperforms previous methods and achieves state-of-the-art.
• Abstract（参考訳）: 非最大抑圧(NMS)は、重複したバウンディングボックスを削除するためにオブジェクト検出パイプラインで広く使われている。 NMSの信頼性と実位置推定の信頼性の矛盾は検出性能に深刻な影響を及ぼす。 従来の研究では、IoUを正確に予測することは依然として難しい問題でありながら、境界ボックスとそれに対応する接地トラスの間でのIoU(Intersection-over-Union)を予測することを提案した。 我々は、IoUの複雑な定義と特徴の不一致が、IoUの正確な予測を困難にすると主張している。 本稿では,これらの問題に対処する新しいデカップリングIoU回帰モデルを提案する。 提案されたDIRは、従来のローカライゼーション信頼度指標IoUを、PurityとIntegrationという2つの新しいメトリクスに分解する。 純度は検出されたバウンディングボックス内の対象領域の比率を反映し、積分性は検出された対象領域の完全性を指す。 純度と積分性を別々に予測することは、境界ボックスとIoUの間の複素写像を2つのより明確な写像に分割し、それらを独立にモデル化することができる。 さらに、iouレグレッサーを後見的に動作させることで、ターゲットマッピングをより安定させるため、シンプルで効果的な機能再調整アプローチも導入されている。 提案するdirは,既存の2段階検出器と簡便に統合でき,性能が大幅に向上する。 HTC による DIR の簡単な実装により,従来の手法を上回り最先端を実現する MS COCO ベンチマーク 51.3% AP を得る。

関連論文リスト

• Unified-IoU: For High-Quality Object Detection [1.62877896907106]
  そこで我々は,異なる品質予測ボックス間の重み付けをより重視する,Unified-IoU (UIoU) と呼ばれる新しいIoU損失関数を提案する。 提案手法は,複数のデータセット,特にIoU閾値が高い場合において,より優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-08-13T04:56:45Z)
• Do We Still Need Non-Maximum Suppression? Accurate Confidence Estimates and Implicit Duplication Modeling with IoU-Aware Calibration [6.093524345727119]
  IoUキャリブレーションを用いることで,従来のNMSスタイルのポストプロセッシングを除去できることを示す。 IoU対応キャリブレーションは条件付きベータキャリブレーションである。 実験の結果,提案したIoUキャリブレーションは重複検出のモデル化に成功していることがわかった。
  論文  参考訳（メタデータ） (2023-09-06T15:47:33Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Directly Optimizing IoU for Bounding Box Localization [5.018156030818881]
  本稿では,バウンディングボックスに対するバウンディングボックスの検出を最大化する手法を提案する。 Smooth IoU法では、標準的なHuber損失よりもパフォーマンスが向上している。 オックスフォードIIIT、Udacityの自動運転車、PA Pets Union、VWFSの車両損傷データセットで評価されている。
  論文  参考訳（メタデータ） (2023-04-14T17:08:12Z)
• 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)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• 3D IoU-Net: IoU Guided 3D Object Detector for Point Clouds [68.44740333471792]
  正規分類と回帰分岐に3D IoU予測分岐を付加する。 我々は,IoU感度特徴学習とIoUアライメント操作を併用した3次元IoU-Netを提案する。 KITTIカー検出ベンチマークの実験結果から,IoU知覚による3次元IoU-Netが最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2020-04-10T09:24:29Z)
• Seeing without Looking: Contextual Rescoring of Object Detections for AP Maximization [4.346179456029563]
  任意の検出器の出力を後処理することで、コンテキストをオブジェクト検出に組み込むことを提案する。 再現は、検出の集合全体からコンテキスト情報を条件付けすることで行われる。 検出信頼度を簡易に再割り当てすることでAPを改善できることを示す。
  論文  参考訳（メタデータ） (2019-12-27T18:56:29Z)

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。