論文の概要: Complementary datasets to COCO for object detection

• arxiv url: http://arxiv.org/abs/2206.11473v1
• Date: Thu, 23 Jun 2022 04:03:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 23:37:21.765802
• Title: Complementary datasets to COCO for object detection
• Title（参考訳）: オブジェクト検出のためのCOCOへの補完データセット
• Authors: Ali Borji
• Abstract要約: COCOは、オブジェクト検出における10年近くの研究の中心的なテストベッドとなっている。 我々はCOCOにCOCO_OIとObjectNet_Dという2つの補完データセットを導入する。 これらのデータセット上でいくつかのモデルを評価し、エラーの原因を特定する。
• 参考スコア（独自算出の注目度）: 47.64219291655723
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For nearly a decade, the COCO dataset has been the central test bed of research in object detection. According to the recent benchmarks, however, it seems that performance on this dataset has started to saturate. One possible reason can be that perhaps it is not large enough for training deep models. To address this limitation, here we introduce two complementary datasets to COCO: i) COCO_OI, composed of images from COCO and OpenImages (from their 80 classes in common) with 1,418,978 training bounding boxes over 380,111 images, and 41,893 validation bounding boxes over 18,299 images, and ii) ObjectNet_D containing objects in daily life situations (originally created for object recognition known as ObjectNet; 29 categories in common with COCO). The latter can be used to test the generalization ability of object detectors. We evaluate some models on these datasets and pinpoint the source of errors. We encourage the community to utilize these datasets for training and testing object detection models. Code and data is available at https://github.com/aliborji/COCO_OI.
• Abstract（参考訳）: COCOデータセットは10年近くにわたって、オブジェクト検出の研究の中心的なテストベッドとなっている。 しかし、最近のベンチマークによると、このデータセットのパフォーマンスは飽和し始めているようだ。 考えられる理由の1つは、おそらく深層モデルのトレーニングに十分な大きさではないということだ。 この制限に対処するために、COCOに2つの補完的データセットを紹介します。 1 COCO_OIは、COCO及びOpenImages(共通クラス80枚)の画像からなり、380,111枚以上の訓練用バウンディングボックス1,418,978枚、18,299枚以上の検証用バウンディングボックス41,893枚 二 日常生活状況におけるオブジェクトを含むObjectNet_D(本来、ObjectNetとして知られるオブジェクト認識のために作成され、COCOと共通する29のカテゴリ) 後者は物体検出器の一般化能力をテストするために用いられる。 これらのデータセット上でいくつかのモデルを評価し、エラーの原因を特定する。 我々は、これらのデータセットをオブジェクト検出モデルのトレーニングとテストに利用することをコミュニティに推奨する。 コードとデータはhttps://github.com/aliborji/coco_oiで入手できる。

関連論文リスト

• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• A High-Resolution Dataset for Instance Detection with Multi-View Instance Capture [15.298790238028356]
  インスタンス検出(InsDet)は、ロボット工学とコンピュータビジョンにおける長期的な問題である。 現在のInsDetは、今日の標準ではスケールが小さすぎる。 InsDetの新しいデータセットとプロトコルを導入します。
  論文  参考訳（メタデータ） (2023-10-30T03:58:41Z)
• Collaborative Camouflaged Object Detection: A Large-Scale Dataset and Benchmark [8.185431179739945]
  我々はコラボレーティブカモフラーグ型物体検出(CoCOD)と呼ばれる新しい課題について検討する。 CoCODは、関連する画像のグループから、同じ特性を持つカモフラージュされたオブジェクトを同時に検出することを目的としている。 我々は,8,528の高品質で精巧に選択された画像からなる,CoCOD8Kと呼ばれる最初の大規模データセットを構築した。
  論文  参考訳（メタデータ） (2023-10-06T13:51:46Z)
• ASIC: Aligning Sparse in-the-wild Image Collections [86.66498558225625]
  本稿では,オブジェクトカテゴリのスパース画像コレクションの協調アライメント手法を提案する。 我々は、事前学習された視覚変換器(ViT)モデルの深い特徴から得られるペアワイズ近傍をノイズおよびスパースキーポイントマッチとして利用する。 CUBとSPair-71kベンチマークの実験により,我々の手法はグローバルに一貫した高品質な対応を実現できることが示された。
  論文  参考訳（メタデータ） (2023-03-28T17:59:28Z)
• Dynamic Relevance Learning for Few-Shot Object Detection [6.550840743803705]
  動的グラフ畳み込みネットワーク(GCN)を構築するために,すべてのサポート画像とクエリ画像上の関心領域(RoI)の関係を利用した動的関連学習モデルを提案する。 提案モデルでは,より一般化された特徴の学習の有効性を示す総合的な性能が得られた。
  論文  参考訳（メタデータ） (2021-08-04T18:29:42Z)
• Contemplating real-world object classification [53.10151901863263]
  Barbuらが最近提案したObjectNetデータセットを再分析した。 日常の状況に物を含むこと。 分離されたオブジェクトにディープモデルを適用すると、元の論文のようにシーン全体ではなく、約20～30%の性能改善が得られます。
  論文  参考訳（メタデータ） (2021-03-08T23:29:59Z)
• Concealed Object Detection [140.98738087261887]
  隠蔽物体検出(COD)に関する最初の体系的研究を紹介します。 CODは、背景に「完全に」埋め込まれているオブジェクトを特定することを目指しています。 このタスクをより理解するために、cod10kと呼ばれる大規模なデータセットを収集します。
  論文  参考訳（メタデータ） (2021-02-20T06:49:53Z)
• Re-thinking Co-Salient Object Detection [170.44471050548827]
  Co-Salient Object Detection (CoSOD) は、画像群において共起するサルエントオブジェクトを検出することを目的としている。 既存のCoSODデータセットは、画像の各グループに類似した視覚的外観の有能なオブジェクトが含まれていると仮定して、深刻なデータバイアスを持つことが多い。 我々はCoSOD3kと呼ばれる新しいベンチマークを野生で導入し、大量の意味的コンテキストを必要とする。
  論文  参考訳（メタデータ） (2020-07-07T12:20:51Z)
• Empirical Upper Bound, Error Diagnosis and Invariance Analysis of Modern Object Detectors [47.64219291655723]
  我々は、最先端のオブジェクト検出ベンチマークを2つ採用し、4つの大規模データセット上で15モデル以上を分析します。 モデルが空の領域に多くのボックスを生成し、そのコンテキストが大きな領域よりも小さなオブジェクトを検出するのに重要であることが分かりました。
  論文  参考訳（メタデータ） (2020-04-05T06:19:43Z)

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。