論文の概要: ssFPN: Scale Sequence (S^2) Feature Based-Feature Pyramid Network for Object Detection

• arxiv url: http://arxiv.org/abs/2208.11533v2
• Date: Thu, 25 Aug 2022 04:22:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-26 11:20:52.988494
• Title: ssFPN: Scale Sequence (S^2) Feature Based-Feature Pyramid Network for Object Detection
• Title（参考訳）: ssfpn: オブジェクト検出のためのスケールシーケンス(s^2)特徴型ピラミッドネットワーク
• Authors: Hye-Jin Park, Young-Ju Choi, Young-Woon Lee, Byung-Gyu Kim
• Abstract要約: 本稿では,小型物体の特徴情報を強化するために,特徴ピラミッドネットワーク(FPN)の特徴抽出手法を提案する。 提案したS2機能は,MS COCOデータセット上での1段および2段検出器の性能向上を実証する。
• 参考スコア（独自算出の注目度）: 4.844193288417161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature Pyramid Network (FPN) has been an essential module for object detection models to consider various scales of an object. However, average precision (AP) on small objects is relatively lower than AP on medium and large objects. The reason is why the deeper layer of CNN causes information loss as feature extraction level. We propose a new scale sequence (S^2) feature extraction of FPN to strengthen feature information of small objects. We consider FPN structure as scale-space and extract scale sequence (S^2) feature by 3D convolution on the level axis of FPN. It is basically scale invariant feature and is built on high-resolution pyramid feature map for small objects. Furthermore, the proposed S^2 feature can be extended to most object detection models based on FPN. We demonstrate the proposed S2 feature can improve the performance of both one-stage and two-stage detectors on MS COCO dataset. Based on the proposed S2 feature, we achieve upto 1.3% and 1.1% of AP improvement for YOLOv4-P5 and YOLOv4-P6, respectively. For Faster RCNN and Mask R-CNN, we observe upto 2.0% and 1.6% of AP improvement with the suggested S^2 feature, respectively.
• Abstract（参考訳）: 特徴ピラミッドネットワーク(FPN)は、オブジェクトの様々なスケールを考慮するために、オブジェクト検出モデルに不可欠なモジュールである。 しかし、小物体の平均精度(AP)は中・大物体のAPよりも比較的低い。 その理由は、cnnの深い層が機能抽出レベルとして情報損失を引き起こす理由である。 小型物体の特徴情報を強化するため,FPNの特徴抽出(S^2)を提案する。 我々はFPNの構造を,FPNの水平軸上の3次元畳み込みによるスケール空間と抽出スケールシーケンス(S^2)の特徴とみなす。 基本的にはスケール不変機能であり、小さなオブジェクトのための高解像度ピラミッド特徴マップ上に構築されている。 さらに、提案したS^2機能は、FPNに基づくほとんどのオブジェクト検出モデルに拡張することができる。 提案したS2機能は,MS COCOデータセット上での1段および2段検出器の性能向上を実証する。 提案したS2機能に基づいて, YOLOv4-P5とYOLOv4-P6のAP改善の最大1.3%と1.1%を達成する。 Faster RCNN と Mask R-CNN では,提案した S^2 機能による AP 改善の最大2.0% と 1.6% を観測した。

関連論文リスト

• CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
  本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。 提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。 不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
  論文  参考訳（メタデータ） (2022-10-09T13:38:48Z)
• SFPN: Synthetic FPN for Object Detection [6.117917355232904]
  本稿では, 軽量CNNバックホンの精度を高めるため, SFPN (Synthetic Fusion Pyramid Network) Arichtectureを提案する。 SFPNアーキテクチャは、大きなバックボーンVGG16、ResNet50、またはAPスコアに基づくMobilenetV2のような軽量のバックボーンよりも優れていた。
  論文  参考訳（メタデータ） (2022-03-04T17:19:50Z)
• Pyramid R-CNN: Towards Better Performance and Adaptability for 3D Object Detection [89.66162518035144]
  点雲から2段階の3Dオブジェクトを検出するための柔軟で高性能なフレームワークであるPraamid R-CNNを提案する。 興味の疎い点から特徴を適応的に学習するために,ピラミッドRoIヘッドという新しい第2段モジュールを提案する。 我々のピラミッドRoIヘッドはスパースかつ不均衡な状況に対して堅牢であり、検出性能を継続的に向上するために様々な3Dバックボーンに適用することができる。
  論文  参考訳（メタデータ） (2021-09-06T14:17:51Z)
• A^2-FPN: Attention Aggregation based Feature Pyramid Network for Instance Segmentation [68.10621089649486]
  アテンションアグリゲーションに基づく機能ピラミッドネットワーク(A2-FPN)を提案し、マルチスケール機能学習を改善します。 A2-FPNは、Cascade Mask R-CNNやHybrid Task Cascadeといった強力なベースラインに統合された場合、2.0%と1.4%のマスクAPを改善する。
  論文  参考訳（メタデータ） (2021-05-07T11:51:08Z)
• FS-Net: Fast Shape-based Network for Category-Level 6D Object Pose Estimation with Decoupled Rotation Mechanism [49.89268018642999]
  6次元ポーズ推定のための効率的なカテゴリレベルの特徴抽出が可能な高速形状ベースネットワーク(FS-Net)を提案する。 提案手法は,カテゴリレベルおよびインスタンスレベルの6Dオブジェクトのポーズ推定における最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-03-12T03:07:24Z)
• OPANAS: One-Shot Path Aggregation Network Architecture Search for Object Detection [82.04372532783931]
  近年、ニューラルアーキテクチャサーチ (NAS) が特徴ピラミッドネットワーク (FPN) の設計に活用されている。 本稿では,探索効率と検出精度を大幅に向上させる,ワンショットパス集約ネットワークアーキテクチャ探索(OPANAS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T01:48:53Z)
• Implicit Feature Pyramid Network for Object Detection [22.530998243247154]
  物体検出のための暗黙的特徴ピラミッドネットワーク(i-FPN)を提案する。 本稿では,深平衡モデル(DEQ)で最近導入された暗黙関数を用いてFPNの変換をモデル化する。 MSデータセットによる実験結果から,i-FPNはベースライン検出器と比較して検出性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-12-25T11:30:27Z)
• Dual Refinement Feature Pyramid Networks for Object Detection [2.88935873409577]
  FPNは、オブジェクト検出器で使われる一般的なコンポーネントであり、隣り合うレベルの特徴と和によって、マルチスケール情報を補う。 本稿では,画素レベルと特徴マップレベルから設計欠陥を解析する。 本研究では,パラメータフリーな特徴ピラミッドネットワークであるDual Refinement Feature Pyramid Networksを設計した。
  論文  参考訳（メタデータ） (2020-12-03T07:17:03Z)
• NETNet: Neighbor Erasing and Transferring Network for Better Single Shot Object Detection [170.30694322460045]
  我々は、ピラミッドの特徴を再設定し、スケールアウェアな特徴を探索する新しいNeighbor Erasing and Transferring(NET)メカニズムを提案する。 NETNetと呼ばれるシングルショットネットワークは、スケールアウェアなオブジェクト検出のために構築されている。
  論文  参考訳（メタデータ） (2020-01-18T15:21:29Z)

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。