論文の概要: Long-tailed Instance Segmentation using Gumbel Optimized Loss

• arxiv url: http://arxiv.org/abs/2207.10936v1
• Date: Fri, 22 Jul 2022 08:20:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:01:05.452944
• Title: Long-tailed Instance Segmentation using Gumbel Optimized Loss
• Title（参考訳）: ガンベル最適化損失を用いた長期インスタンス分割
• Authors: Konstantinos Panagiotis Alexandridis, Jiankang Deng, Anh Nguyen and Shan Luo
• Abstract要約: 我々は,Gumbel Optimized Loss (GOL) 法を開発した。 GOLはAPの1.1%で最高の最先端の手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 29.240427080642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Major advancements have been made in the field of object detection and segmentation recently. However, when it comes to rare categories, the state-of-the-art methods fail to detect them, resulting in a significant performance gap between rare and frequent categories. In this paper, we identify that Sigmoid or Softmax functions used in deep detectors are a major reason for low performance and are sub-optimal for long-tailed detection and segmentation. To address this, we develop a Gumbel Optimized Loss (GOL), for long-tailed detection and segmentation. It aligns with the Gumbel distribution of rare classes in imbalanced datasets, considering the fact that most classes in long-tailed detection have low expected probability. The proposed GOL significantly outperforms the best state-of-the-art method by 1.1% on AP , and boosts the overall segmentation by 9.0% and detection by 8.0%, particularly improving detection of rare classes by 20.3%, compared to Mask-RCNN, on LVIS dataset. Code available at: https://github.com/kostas1515/GOL
• Abstract（参考訳）: 近年,物体検出とセグメンテーションの分野で大きな進歩を遂げている。 しかし、まれなカテゴリに関しては、最先端の手法では検出できないため、稀なカテゴリと頻繁なカテゴリの間に大きなパフォーマンスギャップが生じる。 本稿では,深部検出器で使用されるSigmoidあるいはSoftmax関数が低性能の理由であり,長い尾検出とセグメンテーションに最適であることを示す。 これに対処するために, 長尾検出とセグメンテーションのためのガムベル最適化損失 (gol) を開発した。 これは、ロングテール検出のほとんどのクラスが期待される確率が低いという事実を考慮して、不均衡データセットにおけるレアクラスのグムベル分布と一致している。 提案したGOLは,APでは1.1%,LVISでは9.0%,検出では8.0%,レアクラスの検出ではMask-RCNNに比べて20.3%向上した。 コード提供: https://github.com/kostas1515/gol

関連論文リスト

• The object detection model uses combined extraction with KNN and RF classification [0.0]
  本研究は,GLCMとLCPを特徴ベクトルとして組み合わせた新しい手法と,分類のためのVEによる物体検出の分野に寄与する。 システムテストでは4,437枚の2D画像のデータセットを使用し、KNNの精度は92.7%、F1スコアは92.5%、RF性能は低かった。
  論文  参考訳（メタデータ） (2024-05-09T05:21:42Z)
• Characterizing the Optimal 0-1 Loss for Multi-class Classification with a Test-time Attacker [57.49330031751386]
  我々は,任意の離散データセット上の複数クラス分類器に対するテスト時間攻撃の存在下での損失に対する情報理論的下位境界を求める。 本稿では,データと敵対的制約から競合ハイパーグラフを構築する際に発生する最適0-1損失を求めるための一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-02-21T15:17:13Z)
• Long-tail Detection with Effective Class-Margins [4.18804572788063]
  本稿では, 未知のテストセットの平均精度評価基準が, マージンベースの二項分類誤差によってどのように制限されているかを示す。 テキスト・エフェクティブ・クラス・マージン・ロス(ECM)と呼ばれる新しいサロゲート目標を用いて、マージンベースの二項分類誤差を最適化する。
  論文  参考訳（メタデータ） (2023-01-23T21:25:24Z)
• Precise Location Matching Improves Dense Contrastive Learning in Digital Pathology [28.62539784951823]
  本研究では,2つの拡張領域を正確にマッチングする位置ベースマッチング機構を提案する。 本手法は,従来の密マッチング手法よりも,検出平均精度が7.2%,インスタンスセグメンテーション平均精度が5.6%向上した。
  論文  参考訳（メタデータ） (2022-12-23T02:11:27Z)
• Interclass Prototype Relation for Few-Shot Segmentation [0.0]
  少数ショットのセグメンテーションでは、特徴空間におけるターゲットクラスデータの分布は狭く、サンプルデータのわずかなばらつきのため、カバレッジが低い。 本研究は,他のクラス間の類似性を低減し,分離性能を向上するInterclass Prototype Relation Network (IPRNet)を提案する。
  論文  参考訳（メタデータ） (2022-11-16T05:27:52Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation [75.93960390191262]
  我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。 そこで本研究では,NMS再サンプリング法を提案する。 提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2020-08-13T03:52:37Z)
• The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
  本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。 主な原因は、オブジェクト提案の不正確な分類である。 そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T12:49:07Z)
• Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax [88.11979569564427]
  本報告では, 長期分布前における最先端モデルの過小評価に関する最初の体系的解析を行う。 本稿では,グループワイドトレーニングを通じて検出フレームワーク内の分類器のバランスをとるための,新しいバランス付きグループソフトマックス(BAGS)モジュールを提案する。 非常に最近の長尾大語彙オブジェクト認識ベンチマークLVISの大規模な実験により,提案したBAGSは検出器の性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2020-06-18T10:24:26Z)
• Equalization Loss for Long-Tailed Object Recognition [109.91045951333835]
  最先端のオブジェクト検出手法は、大きな語彙と長い尾を持つデータセットでは依然として不十分である。 そこで本稿では,長期的希少なカテゴリーの課題に対処するために,同化損失という,シンプルだが効果的な損失を提案する。 LVISベンチマークでは,レアおよび共通カテゴリのAP利得が4.1%,レアおよび共通カテゴリが4.8%である。
  論文  参考訳（メタデータ） (2020-03-11T09:14:53Z)

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。