論文の概要: DSLA: Dynamic smooth label assignment for efficient anchor-free object detection

• arxiv url: http://arxiv.org/abs/2208.00817v1
• Date: Mon, 1 Aug 2022 12:56:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-02 13:58:06.916769
• Title: DSLA: Dynamic smooth label assignment for efficient anchor-free object detection
• Title（参考訳）: dsla: アンカーフリーオブジェクト検出のための動的スムースラベル割り当て
• Authors: Hu Su, Yonghao He, Jiabin Zhang, Wei Zou, Bin Fan
• Abstract要約: アンカーフリー検出器は、基本的にオブジェクト検出を密な分類と回帰として定式化する。 局所化の質を推定するために、個別の予測分岐を導入するのが一般的である。 分類と品質評価の実践を掘り下げると、以下の矛盾が観測される。
• 参考スコア（独自算出の注目度）: 18.043176234010517
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anchor-free detectors basically formulate object detection as dense classification and regression. For popular anchor-free detectors, it is common to introduce an individual prediction branch to estimate the quality of localization. The following inconsistencies are observed when we delve into the practices of classification and quality estimation. Firstly, for some adjacent samples which are assigned completely different labels, the trained model would produce similar classification scores. This violates the training objective and leads to performance degradation. Secondly, it is found that detected bounding boxes with higher confidences contrarily have smaller overlaps with the corresponding ground-truth. Accurately localized bounding boxes would be suppressed by less accurate ones in the Non-Maximum Suppression (NMS) procedure. To address the inconsistency problems, the Dynamic Smooth Label Assignment (DSLA) method is proposed. Based on the concept of centerness originally developed in FCOS, a smooth assignment strategy is proposed. The label is smoothed to a continuous value in [0, 1] to make a steady transition between positive and negative samples. Intersection-of-Union (IoU) is predicted dynamically during training and is coupled with the smoothed label. The dynamic smooth label is assigned to supervise the classification branch. Under such supervision, quality estimation branch is naturally merged into the classification branch, which simplifies the architecture of anchor-free detector. Comprehensive experiments are conducted on the MS COCO benchmark. It is demonstrated that, DSLA can significantly boost the detection accuracy by alleviating the above inconsistencies for anchor-free detectors. Our codes are released at https://github.com/YonghaoHe/DSLA.
• Abstract（参考訳）: アンカーフリー検出器は、基本的にオブジェクト検出を密な分類と回帰として定式化する。 一般的なアンカーフリー検出器では、局所化の質を推定するために個別の予測分岐を導入することが一般的である。 分類と品質推定のプラクティスを検討すると、以下の矛盾が観察される。 第一に、完全に異なるラベルが割り当てられた隣接するいくつかのサンプルの場合、訓練されたモデルは同様の分類スコアを生成する。 これはトレーニング目標に反し、パフォーマンスの低下につながる。 第2に,高い信頼度で検出された境界ボックスは,対応する接地面との重なりが小さいことが判明した。 正確な局所化バウンディングボックスは、Non-Maximum Suppression (NMS) 手順の精度の低いボックスによって抑制される。 不整合問題に対処するため,動的スムースラベル割り当て法(DSLA)を提案する。 FCOSで開発された中心性の概念に基づいて,スムーズな割り当て戦略を提案する。 ラベルは[0, 1]の連続的な値に滑らかにされ、正と負のサンプルを安定的に遷移させる。 IoU(Intersection-of-Union)はトレーニング中に動的に予測され、スムーズなラベルと結合される。 動的スムーズなラベルは分類ブランチを監督するために割り当てられる。 このような監督の下で、品質推定枝は自然に分類枝にマージされ、アンカーフリー検出器のアーキテクチャが単純化される。 総合的な実験はMS COCOベンチマークで実施される。 以上のようなアンカーフリー検出器の不一致を緩和することで,dslaは検出精度を大幅に向上させることができる。 私たちのコードはhttps://github.com/YonghaoHe/DSLA.orgで公開されています。

関連論文リスト

• CSOT: Curriculum and Structure-Aware Optimal Transport for Learning with Noisy Labels [13.807759089431855]
  ノイズラベル(LNL)による学習は、十分に一般化されたモデルのトレーニングにおいて重要な課題となる。 近年の進歩は、クリーンなラベルと、トレーニングのための破損したラベルを識別することで、印象的なパフォーマンスを実現している。 我々は、CSOT(Curriculum and Structure-Aware Optimal Transport)と呼ばれる新しい最適輸送(OT)の定式化を提案する。
  論文  参考訳（メタデータ） (2023-12-11T09:12:50Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
  分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。 そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
  論文  参考訳（メタデータ） (2020-10-23T08:33:04Z)
• Reducing Label Noise in Anchor-Free Object Detection [12.397047191315966]
  現在のアンカーフリー物体検出器は、事前に定義された中央領域内に空間的に落下する全ての特徴を正としてラベル付けしている。 本研究では,アンカーフリー検出器のラベルノイズ低減を目的とした新しいラベリング手法を提案する。 我々は、トレーニング中にこのラベリング戦略と、推論中に同様の予測プール法を利用するために、新しいワンステージアンカーフリー物体検出器 PPDet を開発した。
  論文  参考訳（メタデータ） (2020-08-03T20:02:46Z)
• Probabilistic Anchor Assignment with IoU Prediction for Object Detection [9.703212439661097]
  オブジェクト検出では、どのアンカーを正または負のサンプルとして割り当てるか、すなわちアンカー代入(アンカー代入)がモデルの性能に大きく影響を与えるコアプロシージャとして明らかにされている。 本稿では,モデルの学習状況に応じて,アンカーを正と負のサンプルに適応的に分離する新しいアンカー代入戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-16T04:26:57Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。