論文の概要: Dynamic boxes fusion strategy in object detection
- arxiv url: http://arxiv.org/abs/2207.00997v1
- Date: Sun, 3 Jul 2022 10:13:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 14:34:39.025686
- Title: Dynamic boxes fusion strategy in object detection
- Title(参考訳): オブジェクト検出における動的ボックス融合戦略
- Authors: Zhijiang Wan and Shichang Liu and Manyu Li
- Abstract要約: 我々は,Chula-ParasiteEgg-11データセット上で有用なトレーニング戦略と広範な実験の袋を提供する。
この手法はChula-ParasiteEgg-11データセットの最先端手法でもある第1位(mIoU 95.28%,mF1Score 99.62%)を獲得した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detection on microscopic scenarios is a popular task. As microscopes
always have variable magnifications, the object can vary substantially in
scale, which burdens the optimization of detectors. Moreover, different
situations of camera focusing bring in the blurry images, which leads to great
challenge of distinguishing the boundaries between objects and background. To
solve the two issues mentioned above, we provide bags of useful training
strategies and extensive experiments on Chula-ParasiteEgg-11 dataset, bring
non-negligible results on ICIP 2022 Challenge: Parasitic Egg Detection and
Classification in Microscopic Images, further more, we propose a new box
selection strategy and an improved boxes fusion method for multi-model
ensemble, as a result our method wins 1st place(mIoU 95.28%, mF1Score 99.62%),
which is also the state-of-the-art method on Chula-ParasiteEgg-11 dataset.
- Abstract(参考訳): 微視的なシナリオでのオブジェクト検出は一般的なタスクです。
顕微鏡は常に可変倍率を持つため、物体はスケールが大きく変化し、検出器の最適化を負担する。
さらに、カメラフォーカスの異なる状況はぼやけた画像をもたらすため、オブジェクトと背景の境界を区別することが大きな課題となる。
To solve the two issues mentioned above, we provide bags of useful training strategies and extensive experiments on Chula-ParasiteEgg-11 dataset, bring non-negligible results on ICIP 2022 Challenge: Parasitic Egg Detection and Classification in Microscopic Images, further more, we propose a new box selection strategy and an improved boxes fusion method for multi-model ensemble, as a result our method wins 1st place(mIoU 95.28%, mF1Score 99.62%), which is also the state-of-the-art method on Chula-ParasiteEgg-11 dataset.
関連論文リスト
- Object Detection in Aerial Images in Scarce Data Regimes [0.0]
小さな物体は、より多数の空中画像において、自然画像と空中画像の間の明らかなパフォーマンスギャップの原因となっている。
FSOD法の訓練と評価を改善するスケール適応型ボックス類似度基準を提案する。
また、計量学習と微調整に基づく2つの異なるアプローチによる汎用FSODにも貢献する。
論文 参考訳(メタデータ) (2023-10-16T14:16:47Z) - Learning to search for and detect objects in foveal images using deep
learning [3.655021726150368]
本研究では,画像中のクラスを探索する人間の客観的な注意をエミュレートする固定予測モデルを用いる。
そして、各固定点のフェーブされた画像を分類して、シーンにターゲットが存在するか否かを判定する。
本稿では,2つのタスク間の知識伝達を可能とし,修正予測と検出を同時に行うことができる新しいデュアルタスクモデルを提案する。
論文 参考訳(メタデータ) (2023-04-12T09:50:25Z) - AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。
提案手法は,複数のベンチマーク上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-09-22T10:23:40Z) - ObjectFormer for Image Manipulation Detection and Localization [118.89882740099137]
画像操作の検出とローカライズを行うObjectFormerを提案する。
画像の高周波特徴を抽出し,マルチモーダルパッチの埋め込みとしてRGB特徴と組み合わせる。
各種データセットについて広範な実験を行い,提案手法の有効性を検証した。
論文 参考訳(メタデータ) (2022-03-28T12:27:34Z) - MC-Blur: A Comprehensive Benchmark for Image Deblurring [127.6301230023318]
ほとんどの実世界の画像では、ブラーは動きやデフォーカスなど様々な要因によって引き起こされる。
我々は,MC-Blurと呼ばれる大規模マルチライク画像デブロアリングデータセットを新たに構築する。
MC-Blurデータセットに基づいて,異なるシナリオにおけるSOTA法の比較を行う。
論文 参考訳(メタデータ) (2021-12-01T02:10:42Z) - Discovery-and-Selection: Towards Optimal Multiple Instance Learning for
Weakly Supervised Object Detection [86.86602297364826]
複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。
我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
論文 参考訳(メタデータ) (2021-10-18T07:06:57Z) - AdaZoom: Adaptive Zoom Network for Multi-Scale Object Detection in Large
Scenes [57.969186815591186]
大規模なシーンの検出は、小さなオブジェクトと極端なスケールの変動のために難しい問題である。
本稿では,物体検出のための焦点領域を適応的に拡大するために,フレキシブルな形状と焦点長を有する選択的拡大器として,新しい適応型Zoom(AdaZoom)ネットワークを提案する。
論文 参考訳(メタデータ) (2021-06-19T03:30:22Z) - Large-Scale Unsupervised Object Discovery [80.60458324771571]
教師なしオブジェクトディスカバリ(UOD)は、パフォーマンスを損なう近似なしでは、大規模なデータセットにスケールアップしない。
本稿では,固有値問題やリンク解析に利用できる分散手法の武器として,ランク付け問題としてのUODの新たな定式化を提案する。
論文 参考訳(メタデータ) (2021-06-12T00:29:49Z) - Addressing Visual Search in Open and Closed Set Settings [8.928169373673777]
低解像度ギスト画像から画素レベルのオブジェクト性を予測する手法を提案する。
次に,高分解能で局所的にオブジェクト検出を行う領域を選択する。
第二に、未確認の可能性のある対象クラスの全てのインスタンスを探索するオープンセットビジュアルサーチの新しい手法を提案する。
論文 参考訳(メタデータ) (2020-12-11T17:21:28Z) - Toward unsupervised, multi-object discovery in large-scale image
collections [26.39475298878971]
本稿では,Vo et al の最適化手法に基づく。
そこで我々は,新しいサリエンシに基づく領域提案アルゴリズムを提案する。
提案手法の階層構造を有効正則化器として活用する。
論文 参考訳(メタデータ) (2020-07-06T11:43:47Z)
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。