論文の概要: Featurized Query R-CNN

• arxiv url: http://arxiv.org/abs/2206.06258v2
• Date: Tue, 14 Jun 2022 01:44:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-15 11:42:34.405432
• Title: Featurized Query R-CNN
• Title（参考訳）: Faturized Query R-CNN
• Authors: Wenqiang Zhang and Tianheng Cheng and Xinggang Wang and Shaoyu Chen and Qian Zhang and Wenyu Liu
• Abstract要約: 本稿では,より高速なR-CNNフレームワークにおいて,クエリ生成ネットワークによって予測されるオブジェクトクエリについて述べる。 我々のFaturized Query R-CNNは、最新の技術であるスパースR-CNN検出器を含むすべてのR-CNN検出器の中で、最高の速度精度のトレードオフを得る。
• 参考スコア（独自算出の注目度）: 41.40318163261041
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The query mechanism introduced in the DETR method is changing the paradigm of object detection and recently there are many query-based methods have obtained strong object detection performance. However, the current query-based detection pipelines suffer from the following two issues. Firstly, multi-stage decoders are required to optimize the randomly initialized object queries, incurring a large computation burden. Secondly, the queries are fixed after training, leading to unsatisfying generalization capability. To remedy the above issues, we present featurized object queries predicted by a query generation network in the well-established Faster R-CNN framework and develop a Featurized Query R-CNN. Extensive experiments on the COCO dataset show that our Featurized Query R-CNN obtains the best speed-accuracy trade-off among all R-CNN detectors, including the recent state-of-the-art Sparse R-CNN detector. The code is available at \url{https://github.com/hustvl/Featurized-QueryRCNN}.
• Abstract（参考訳）: detr法で導入されたクエリメカニズムはオブジェクト検出のパラダイムを変えており、最近では多くのクエリベースのメソッドが強いオブジェクト検出性能を得ている。 しかし、現在のクエリベースの検出パイプラインは以下の2つの問題に悩まされている。 まず、ランダムに初期化されたオブジェクトクエリを最適化するためには、マルチステージデコーダが必要である。 第二に、クエリはトレーニング後に修正され、満足のいく一般化能力に繋がる。 そこで本稿では,r-cnnフレームワークにおいて,クエリ生成ネットワークが予測するオブジェクトクエリの実現と,r-cnnの高速化について述べる。 COCOデータセットの大規模な実験により、我々のFeaturized Query R-CNNは、最新の最先端のスパースR-CNN検出器を含むすべてのR-CNN検出器の中で、最高の速度精度のトレードオフが得られることが示された。 コードは \url{https://github.com/hustvl/featurized-queryrcnn} で入手できる。

関連論文リスト

• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• CS-Rep: Making Speaker Verification Networks Embracing Re-parameterization [27.38202134344989]
  本研究では、モデルの推論速度と検証精度を高めるために、CS-Rep(クロスシーケンス再パラメータ化)を提案する。 Rep-TDNNは実際の推論速度を50%向上させ、EERを10%削減する。
  論文  参考訳（メタデータ） (2021-10-26T08:00:03Z)
• DeFRCN: Decoupled Faster R-CNN for Few-Shot Object Detection [17.326702469604676]
  未確認クラスのごく少数の例から、新しいオブジェクトを迅速に検出することを目的としていない。 既存のほとんどのアプローチでは、基本的な検出フレームワークとしてFaster R-CNNを使用している。 DeFRCN (Decoupled Faster R-CNN) というシンプルなアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-08-20T06:12:55Z)
• Oriented R-CNN for Object Detection [61.78746189807462]
  本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。 第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。 第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
  論文  参考訳（メタデータ） (2021-08-12T12:47:43Z)
• Malicious Requests Detection with Improved Bidirectional Long Short-term Memory Neural Networks [8.379440129896548]
  我々は、時間的シーケンス分類問題として悪意のある要求を検出する問題を定式化する。 我々は,CNN-BiLSTM-CNN(CNN-BiLSTM-CNN)という新しいディープラーニングモデルを提案する。 HTTPデータセットCSIC 2010の実験結果は,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-26T02:27:44Z)
• SRDCNN: Strongly Regularized Deep Convolution Neural Network Architecture for Time-series Sensor Signal Classification Tasks [4.950427992960756]
  SRDCNN: 時系列分類タスクを実行するために, SRDCNN(Strongly Regularized Deep Convolution Neural Network)をベースとしたディープアーキテクチャを提案する。 提案手法の新規性は、ネットワークウェイトが L1 と L2 のノルム法則によって正則化されることである。
  論文  参考訳（メタデータ） (2020-07-14T08:42:39Z)
• Continual Learning in Recurrent Neural Networks [67.05499844830231]
  リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。 RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重 そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
  論文  参考訳（メタデータ） (2020-06-22T10:05:12Z)
• End-to-End Object Detection with Transformers [88.06357745922716]
  本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。 我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。 この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
  論文  参考訳（メタデータ） (2020-05-26T17:06:38Z)
• CodNN -- Robust Neural Networks From Coded Classification [27.38642191854458]
  ディープニューラルネットワーク(Deep Neural Networks、DNN)は、現在進行中の情報革命における革命的な力である。 DNNは、敵対的であろうとランダムであろうと、ノイズに非常に敏感である。 これは、DNNのハードウェア実装と、自律運転のような重要なアプリケーションへの展開において、根本的な課題となる。 提案手法により,DNNのデータ層あるいは内部層は誤り訂正符号で符号化され,ノイズ下での計算が成功することが保証される。
  論文  参考訳（メタデータ） (2020-04-22T17:07:15Z)

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。