Fugu-MT 論文翻訳(概要): Humans disagree with the IoU for measuring object detector localization error

論文の概要: Humans disagree with the IoU for measuring object detector localization error

arxiv url: http://arxiv.org/abs/2207.14221v1
Date: Thu, 28 Jul 2022 16:43:31 GMT
ステータス: 処理完了
システム内更新日: 2022-07-29 12:50:23.869352
Title: Humans disagree with the IoU for measuring object detector localization error
Title（参考訳）: 物体検出誤差測定のためのIoUと人間は一致しない
Authors: Ombretta Strafforello, Vanathi Rajasekart, Osman S. Kayhan, Oana Inel, Jan van Gemert
Abstract要約: 我々は、人間はローカライゼーションの質に関して異なる視点を持っていることを示す。全く同じIoUスコアのローカライズエラーに対して、人間はこれらのエラーが等しいとは考えないかもしれない。
参考スコア（独自算出の注目度）: 8.914169892100004
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The localization quality of automatic object detectors is typically evaluated by the Intersection over Union (IoU) score. In this work, we show that humans have a different view on localization quality. To evaluate this, we conduct a survey with more than 70 participants. Results show that for localization errors with the exact same IoU score, humans might not consider that these errors are equal, and express a preference. Our work is the first to evaluate IoU with humans and makes it clear that relying on IoU scores alone to evaluate localization errors might not be sufficient.
Abstract（参考訳）: 自動物体検出器の局在特性は、通常、IoU(Intersection over Union)スコアによって評価される。本研究では,人間は局所化の質について異なる視点を持つことを示す。これを評価するために,70名以上の参加者を対象に調査を行った。結果,iouスコアが全く同じ局所化誤差の場合,人間はこれらの誤差が等しいとは考えず,好みを表わす可能性がある。我々の研究は、IoUを人間と評価する最初のものであり、IoUのスコアだけで局所化誤差を評価するだけでは不十分であることを示している。

関連論文リスト

Learning 3D Perception from Others' Predictions [64.09115694891679]
本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
論文参考訳（メタデータ） (2024-10-03T16:31:28Z)
Unified-IoU: For High-Quality Object Detection [1.62877896907106]
そこで我々は,異なる品質予測ボックス間の重み付けをより重視する,Unified-IoU (UIoU) と呼ばれる新しいIoU損失関数を提案する。提案手法は,複数のデータセット,特にIoU閾値が高い場合において,より優れた性能を実現する。
論文参考訳（メタデータ） (2024-08-13T04:56:45Z)
Do Object Detection Localization Errors Affect Human Performance and Trust? [9.442811508809996]
境界ボックスはしばしば、自動的な物体検出結果を人間に伝えるために使われる。本研究では,境界ボックスの局所化誤差とヒューマンタスク性能の関係について検討する。
論文参考訳（メタデータ） (2024-01-31T13:24:51Z)
From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
論文参考訳（メタデータ） (2023-08-20T11:56:25Z)
Rethinking Intersection Over Union for Small Object Detection in Few-Shot Regime [2.292003207440126]
Few-Shot Object Detection (FSOD)では、小さな物体を検出することは極めて困難である。我々は,新しいボックス類似度尺度であるSIoU(Scale-Adaptive Intersection over Union)を提案する。 SIoUはオブジェクトのサイズによって変化し、小さなオブジェクトシフトでより寛大になる。
論文参考訳（メタデータ） (2023-07-17T07:26:58Z)
Directly Optimizing IoU for Bounding Box Localization [5.018156030818881]
本稿では,バウンディングボックスに対するバウンディングボックスの検出を最大化する手法を提案する。 Smooth IoU法では、標準的なHuber損失よりもパフォーマンスが向上している。オックスフォードIIIT、Udacityの自動運転車、PA Pets Union、VWFSの車両損傷データセットで評価されている。
論文参考訳（メタデータ） (2023-04-14T17:08:12Z)
Parallel Reasoning Network for Human-Object Interaction Detection [53.422076419484945]
並列推論ネットワーク(PR-Net)というトランスフォーマーに基づく新しい手法を提案する。 PR-Netは、インスタンスレベルのローカライゼーションと関係レベルの理解のための2つの独立した予測器を構築する。我々のPR-NetはHICO-DETとV-COCOベンチマークで競合する結果を得た。
論文参考訳（メタデータ） (2023-01-09T17:00:34Z)
Chairs Can be Stood on: Overcoming Object Bias in Human-Object Interaction Detection [22.3445174577181]
画像中のHuman-Object Interaction(HOI)は、高レベルの視覚的理解に向けた重要なステップである。本稿では,検出対象下でのインタラクションの分散を再バランスする,新しいプラグアンドプレイ型オブジェクト指向デバイアスメモリ(ODM)手法を提案する。提案手法は,特に各オブジェクト下での稀な相互作用において,ベースラインよりも一貫した,重要な改善をもたらす。
論文参考訳（メタデータ） (2022-07-06T01:55:28Z)
Distribution-aware Margin Calibration for Semantic Segmentation in Images [78.65312390695038]
ジャカードインデックス(ジャカードインデックス、Intersection-over-Union、IoU)は、画像セマンティックセグメンテーションにおいて最も重要な評価指標の一つである。 IoUスコアの直接最適化は非常に困難である。学習目的として直接使用できるマージン校正法を提案し,データ分散に対するIoUの一般化を改良する。
論文参考訳（メタデータ） (2021-12-21T22:38:25Z)
Boundary IoU: Improving Object-Centric Image Segmentation Evaluation [125.20898025044804]
境界品質に着目した新たなセグメンテーション評価手法であるBoundary IoUを紹介します。境界IoUは、大きなオブジェクトの境界誤差に対して標準のMask IoU測度よりもはるかに感度が高く、小さなオブジェクトの誤差を過給しない。
論文参考訳（メタデータ） (2021-03-30T17:59:20Z)
Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
論文参考訳（メタデータ） (2021-03-30T10:38:01Z)

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。