論文の概要: Revisiting AP Loss for Dense Object Detection: Adaptive Ranking Pair Selection

• arxiv url: http://arxiv.org/abs/2207.12042v1
• Date: Mon, 25 Jul 2022 10:33:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 14:54:17.112877
• Title: Revisiting AP Loss for Dense Object Detection: Adaptive Ranking Pair Selection
• Title（参考訳）: Dense Object DetectionのためのAP損失の再検討:適応的なランク付けペア選択
• Authors: Dongli Xu, Jinhong Deng, Wen Li
• Abstract要約: 本研究では, 平均精度 (AP) の損失を再考し, その重要な要素は, 正試料と負試料のランキングペアを選択することであることを明らかにした。 本稿では,AP損失を改善するための2つの方法を提案する。第1に,APE(Adaptive Pairwise Error)損失は,正と負の両方のサンプルにおいて,ペアのランク付けに重点を置いている。 MSCOCOデータセットで行った実験は、現在の分類とランキングの損失と比較して、提案手法の優位性を実証し、分析を支援した。
• 参考スコア（独自算出の注目度）: 19.940491797959407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Average precision (AP) loss has recently shown promising performance on the dense object detection task. However,a deep understanding of how AP loss affects the detector from a pairwise ranking perspective has not yet been developed.In this work, we revisit the average precision (AP)loss and reveal that the crucial element is that of selecting the ranking pairs between positive and negative samples.Based on this observation, we propose two strategies to improve the AP loss. The first of these is a novel Adaptive Pairwise Error (APE) loss that focusing on ranking pairs in both positive and negative samples. Moreover,we select more accurate ranking pairs by exploiting the normalized ranking scores and localization scores with a clustering algorithm. Experiments conducted on the MSCOCO dataset support our analysis and demonstrate the superiority of our proposed method compared with current classification and ranking loss. The code is available at https://github.com/Xudangliatiger/APE-Loss.
• Abstract（参考訳）: 平均精度(AP)損失は,最近高密度物体検出タスクにおいて有望な性能を示した。 しかし、一対のランキングの観点からのap損失が検出器に与える影響の深い理解は、まだ開発されていない。本研究では、平均精度(ap)損失を再検討し、正のサンプルと負のサンプルの間でランキングのペアを選択することが重要な要素であることを明らかにした。この観察に基づいて、ap損失を改善するための2つの戦略を提案する。 そのうちの1つは、正と負の両方のサンプルのランク付けに焦点を当てた、Adaptive Pairwise Error(APE)損失である。 さらに,クラスタリングアルゴリズムを用いて正規化ランキングスコアとローカライズスコアを利用して,より正確なランキングペアを選択する。 MSCOCOデータセットを用いて行った実験は、現在の分類とランキング損失と比較して、提案手法の優位性を実証する。 コードはhttps://github.com/Xudangliatiger/APE-Lossで公開されている。

関連論文リスト

• Not All Pairs are Equal: Hierarchical Learning for Average-Precision-Oriented Video Retrieval [80.09819072780193]
  平均精度(AP)は、関連ビデオのランキングを上位リストで評価する。 最近のビデオ検索手法は、全てのサンプル対を等しく扱うペアワイズ損失を利用する。
  論文  参考訳（メタデータ） (2024-07-22T11:52:04Z)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• Ranking-Based Siamese Visual Tracking [31.2428211299895]
  シームズベースのトラッカーは、主に視覚追跡を2つの独立したサブタスクに定式化し、分類とローカライゼーションを含む。 本稿では,異なる提案間の関係を探索するランキングベース最適化アルゴリズムを提案する。 提案された2つのランキングの損失は、ほとんどのシームズトラッカーと互換性があり、推論のための追加計算は発生しない。
  論文  参考訳（メタデータ） (2022-05-24T03:46:40Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• Evaluating Large-Vocabulary Object Detectors: The Devil is in the Details [107.2722027807328]
  我々は、APのデフォルト実装はカテゴリー独立ではなく、適切に校正された検出器を直接報酬するものではないことを発見した。 既定の実装ではゲーム可能なメトリックが生成され、単純で非合理的な再ランクポリシーがAPを大きなマージンで改善できることが示される。 我々は,近年の大規模語彙検出の進歩をベンチマークし,新たなクラスごとの独立性評価において,多くの報告された利益が改善に結びついていないことを発見した。
  論文  参考訳（メタデータ） (2021-02-01T18:56:02Z)
• Optimized Loss Functions for Object detection: A Case Study on Nighttime Vehicle Detection [0.0]
  本稿では,2つの損失関数を同時に分類と局所化に最適化する。 本研究は, 正試料の局在化精度向上のためにのみ相関が適用されている既存研究と比較して, 相関を利用して真に硬い負試料を得る。 MIoUと呼ばれる新しい局所化損失は、予測ボックスとターゲットボックスの間のマハラノビス距離を組み込むことで、DIoU損失の勾配の不整合を解消する。
  論文  参考訳（メタデータ） (2020-11-11T03:00:49Z)
• AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
  一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。 前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。 本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-08-17T13:22:01Z)
• Smooth-AP: Smoothing the Path Towards Large-Scale Image Retrieval [94.73459295405507]
  Smooth-APは、ディープネットワークのエンドツーエンドトレーニングを可能にする、プラグアンドプレイの客観的機能である。 我々はSmooth-APをStanford Online製品とVabyIDの標準ベンチマークに適用する。 Inaturalist for fine-fine category search, VGGFace2 and IJB-C for face search。
  論文  参考訳（メタデータ） (2020-07-23T17:52:03Z)

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。