論文の概要: A Dual Weighting Label Assignment Scheme for Object Detection

• arxiv url: http://arxiv.org/abs/2203.09730v1
• Date: Fri, 18 Mar 2022 04:04:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 15:12:52.657812
• Title: A Dual Weighting Label Assignment Scheme for Object Detection
• Title（参考訳）: 物体検出のための二重重み付けラベル割り当て方式
• Authors: Shuai Li, Chenhang He, Ruihuang Li, Lei Zhang
• Abstract要約: ラベル割り当て(LA)は、各トレーニングサンプルに正(pos)と負(neg)の損失重みを割り当てることを目的としている。 既存のLA法は主にポス重み関数の設計に重点を置いており、ネグ重みはポス重みから直接導かれる。 本稿では,2重み付け(DW)と呼ばれる新しい重み付けパラダイムを提案し,ポーとネグの重みを別々に指定する。
• 参考スコア（独自算出の注目度）: 16.69887974230884
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Label assignment (LA), which aims to assign each training sample a positive (pos) and a negative (neg) loss weight, plays an important role in object detection. Existing LA methods mostly focus on the design of pos weighting function, while the neg weight is directly derived from the pos weight. Such a mechanism limits the learning capacity of detectors. In this paper, we explore a new weighting paradigm, termed dual weighting (DW), to specify pos and neg weights separately. We first identify the key influential factors of pos/neg weights by analyzing the evaluation metrics in object detection, and then design the pos and neg weighting functions based on them. Specifically, the pos weight of a sample is determined by the consistency degree between its classification and localization scores, while the neg weight is decomposed into two terms: the probability that it is a neg sample and its importance conditioned on being a neg sample. Such a weighting strategy offers greater flexibility to distinguish between important and less important samples, resulting in a more effective object detector. Equipped with the proposed DW method, a single FCOS-ResNet-50 detector can reach 41.5% mAP on COCO under 1x schedule, outperforming other existing LA methods. It consistently improves the baselines on COCO by a large margin under various backbones without bells and whistles. Code is available at https://github.com/strongwolf/DW.
• Abstract（参考訳）: 各トレーニングサンプルに正の(pos)と負の(neg)損失重みを割り当てることを目的としたラベル割り当て(la)は、オブジェクト検出において重要な役割を果たす。 既存のla法はpos重み関数の設計に重点を置いているが、neg重みはpos重み関数から直接導かれる。 このような機構は検出器の学習能力を制限する。 本稿では,2重み付け(DW)と呼ばれる新しい重み付けパラダイムを探索し,ポーとネグの重みを別々に指定する。 まず,pos/neg重みの主な要因を対象物検出における評価指標を分析し,それに基づいてposとneg重み関数を設計する。 具体的には、サンプルのポス重量は、その分類と局所化スコアの整合度によって決定される一方、ネグ重量は、ネグ試料である確率と、ネグ試料であるかどうかの2つの項に分解される。 このような重み付け戦略は、重要なサンプルとあまり重要でないサンプルを区別する柔軟性を高め、より効果的な物体検出器となる。 提案されたDW法により、1つのFCOS-ResNet-50検出器が1倍のスケジュールでCOCO上で41.5%のmAPに達することができ、他のLA法よりも優れている。 ベルや笛を使わずに、様々なバックボーンの下でCOCOのベースラインを大きく改善する。 コードはhttps://github.com/strongwolf/dwで入手できる。

関連論文リスト

• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。 様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• Better Sampling, towards Better End-to-end Small Object Detection [7.7473020808686694]
  限られた特性と高密度と相互重なり合いのため、小さな物体検出は不満足なままである。 エンド・ツー・エンド・フレームワークにおけるサンプリングの強化手法を提案する。 我々のモデルは、VisDroneデータセット上での最先端(SOTA)よりも平均精度(AP)が2.9%向上することを示す。
  論文  参考訳（メタデータ） (2024-05-17T04:37:44Z)
• Size-invariance Matters: Rethinking Metrics and Losses for Imbalanced Multi-object Salient Object Detection [133.66006666465447]
  現在のメトリクスはサイズに敏感で、大きなオブジェクトが集中し、小さなオブジェクトが無視される傾向があります。 サイズに基づくバイアスは、追加のセマンティック情報なしでは不適切であるため、評価はサイズ不変であるべきだと論じる。 我々は,この目標に適した最適化フレームワークを開発し,異なる大きさのオブジェクトの検出において,大幅な改善を実現した。
  論文  参考訳（メタデータ） (2024-05-16T03:01:06Z)
• One-to-Few Label Assignment for End-to-End Dense Detection [19.497115000680076]
  1対1(o2o)ラベル割り当ては、トランスフォーマーベースのエンドツーエンド検出において重要な役割を果たす。 エンドツーエンドの高密度検出のための単純な1対1 (o2f) ラベル割り当て戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-21T03:24:47Z)
• RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection [45.10513110142015]
  現在のアンカーベースまたはアンカーフリーなラベル割り当てパラダイムは、多くのアウトリーな小さな基底真理サンプルを発生させる。 本稿では,小物体検出のためのガウス受容場に基づくラベルアサインメント(RFLA)戦略を提案する。 当社のアプローチは、AI-TODデータセットの4.0APポイントで最先端の競合より優れています。
  論文  参考訳（メタデータ） (2022-08-18T09:35:56Z)
• Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
  Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
  論文  参考訳（メタデータ） (2020-07-18T09:48:29Z)
• AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
  Auto COCOは、物体検出のためのアンカーフリー検出器である。 外観認識は、完全に微分可能な重み付け機構によって実現される。 我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
  論文  参考訳（メタデータ） (2020-07-07T14:32:21Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。