Fugu-MT 論文翻訳(概要): Boosting R-CNN: Reweighting R-CNN Samples by RPN's Error for Underwater Object Detection

論文の概要: Boosting R-CNN: Reweighting R-CNN Samples by RPN's Error for Underwater Object Detection

arxiv url: http://arxiv.org/abs/2206.13728v1
Date: Tue, 28 Jun 2022 03:29:20 GMT
ステータス: 処理完了
システム内更新日: 2022-06-29 13:36:35.611298
Title: Boosting R-CNN: Reweighting R-CNN Samples by RPN's Error for Underwater Object Detection
Title（参考訳）: R-CNN:水中物体検出のためのRPN誤差によるR-CNNサンプルの再重み付け
Authors: Pinhao Song, Hong Liu, Linhui Dai, Tao Wang, Zhan Chen
Abstract要約: 本稿では,3つの主成分からなる2段式水中検出器「ブースティングR-CNN」を提案する。まず、高品質な提案を提供するRetinaRPNという新しい領域提案ネットワークを提案する。第2に、確率的推論パイプラインを導入し、第1ステージ前の不確実性と第2ステージの分類スコアを組み合わせる。
参考スコア（独自算出の注目度）: 12.291063755824585
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Complicated underwater environments bring new challenges to object detection, such as unbalanced light conditions, low contrast, occlusion, and mimicry of aquatic organisms. Under these circumstances, the objects captured by the underwater camera will become vague, and the generic detectors often fail on these vague objects. This work aims to solve the problem from two perspectives: uncertainty modeling and hard example mining. We propose a two-stage underwater detector named boosting R-CNN, which comprises three key components. First, a new region proposal network named RetinaRPN is proposed, which provides high-quality proposals and considers objectness and IoU prediction for uncertainty to model the object prior probability. Second, the probabilistic inference pipeline is introduced to combine the first-stage prior uncertainty and the second-stage classification score to model the final detection score. Finally, we propose a new hard example mining method named boosting reweighting. Specifically, when the region proposal network miscalculates the object prior probability for a sample, boosting reweighting will increase the classification loss of the sample in the R-CNN head during training, while reducing the loss of easy samples with accurately estimated priors. Thus, a robust detection head in the second stage can be obtained. During the inference stage, the R-CNN has the capability to rectify the error of the first stage to improve the performance. Comprehensive experiments on two underwater datasets and two generic object detection datasets demonstrate the effectiveness and robustness of our method.
Abstract（参考訳）: 複雑な水中環境は、不均衡な光条件、低いコントラスト、閉塞、水生生物の模倣など、物体検出に新たな課題をもたらす。このような状況下では、水中カメラが捉えた物体はあいまいになり、ジェネリック検出器はしばしばこれらの曖昧な物体に失敗する。この研究は、不確実性モデリングとハードサンプルマイニングという2つの視点からこの問題を解決することを目的としている。 3つの主要成分からなる2段水中検出器boosting r-cnnを提案する。まず, retinarpn という新たな地域提案ネットワークを提案し, 高品質の提案を提供し, 対象の事前確率をモデル化する不確実性に対する客観性と iou 予測を考察した。次に、確率的推論パイプラインを導入し、第1ステージ前の不確かさと第2ステージの分類スコアを組み合わせて最終検出スコアをモデル化する。最後に,boosting reweightingという新しいハードサンプルマイニング手法を提案する。具体的には、領域提案ネットワークがサンプルの事前確率を誤算した場合、トレーニング中のR-CNNヘッドにおけるサンプルの分類損失を増大させ、正確に推定された事前値による簡単なサンプルの損失を低減させる。これにより、第2段のロバスト検出ヘッドを得ることができる。推論段階では、R-CNNは第1ステージのエラーを修正して性能を改善する能力を有する。 2つの水中データセットと2つの汎用物体検出データセットに関する総合実験により,本手法の有効性とロバスト性を実証した。

関連論文リスト

SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文参考訳（メタデータ） (2024-03-08T16:14:54Z)
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)
One-Stage Cascade Refinement Networks for Infrared Small Target Detection [21.28595135499812]
SIRST(Single-frame InfraRed Small Target)検出は、固有の特性の欠如による課題である。実世界の高解像度単一フレームターゲットのSIRST-V2データセットからなる赤外線小ターゲット検出のための新しい研究ベンチマークを提案する。
論文参考訳（メタデータ） (2022-12-16T13:37:23Z)
Underwater Object Classification and Detection: first results and open challenges [1.1549572298362782]
本研究は,水中環境における物体検出の問題点を概観する。我々は、従来の最先端(SOTA)アルゴリズムの欠点を分析し、定量化する。
論文参考訳（メタデータ） (2022-01-04T04:54:08Z)
Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文参考訳（メタデータ） (2021-10-20T06:15:45Z)
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)
Underwater object detection using Invert Multi-Class Adaboost with deep learning [37.14538666012363]
小型物体検出のための新しいニューラルネットワークアーキテクチャであるSample-WeIghted hyPEr Network(SWIPENet)を提案する。提案するSWIPENet+IMAフレームワークは,複数の最先端オブジェクト検出手法に対して,検出精度の向上を実現する。
論文参考訳（メタデータ） (2020-05-23T15:30:38Z)
One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文参考訳（メタデータ） (2020-05-08T01:59:23Z)
GraN: An Efficient Gradient-Norm Based Detector for Adversarial and Misclassified Examples [77.99182201815763]
ディープニューラルネットワーク(DNN)は、敵対的な例やその他のデータ摂動に対して脆弱である。 GraNは、どのDNNにも容易に適応できる時間およびパラメータ効率の手法である。 GraNは多くの問題セット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） (2020-04-20T10:09:27Z)
A New Dataset, Poisson GAN and AquaNet for Underwater Object Grabbing [33.580474181751676]
本研究では,2,227枚の画像を含む3つのカテゴリ(サッカリ,ウニ,ヒノキ)からなる新しいデータセット(UDD)を提案する。また,新しいPoisson-blending Generative Adversarial Network(Poisson GAN)とAquaNet(AquaNet)を提案する。
論文参考訳（メタデータ） (2020-03-03T10:57:52Z)

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。