論文の概要: TSAA: A Two-Stage Anchor Assignment Method towards Anchor Drift in Crowded Object Detection

• arxiv url: http://arxiv.org/abs/2211.00826v1
• Date: Wed, 2 Nov 2022 02:05:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 12:17:38.178344
• Title: TSAA: A Two-Stage Anchor Assignment Method towards Anchor Drift in Crowded Object Detection
• Title（参考訳）: TSAA: 群集物体検出におけるアンカードリフトに対する2段階アンカーアサインメント法
• Authors: Li Xiang, He Miao, Luo Haibo, Yang Huiyuan, Xiao Jiajie
• Abstract要約: 正のアンカーは、複数のオブジェクトが重なり合うときに最も重なるオブジェクトに対して常に回帰するとは限らない。 単純な適応型2段アンカーアサイン(TSAA)法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Among current anchor-based detectors, a positive anchor box will be intuitively assigned to the object that overlaps it the most. The assigned label to each anchor will directly determine the optimization direction of the corresponding prediction box, including the direction of box regression and category prediction. In our practice of crowded object detection, however, the results show that a positive anchor does not always regress toward the object that overlaps it the most when multiple objects overlap. We name it anchor drift. The anchor drift reflects that the anchor-object matching relation, which is determined by the degree of overlap between anchors and objects, is not always optimal. Conflicts between the fixed matching relation and learned experience in the past training process may cause ambiguous predictions and thus raise the false-positive rate. In this paper, a simple but efficient adaptive two-stage anchor assignment (TSAA) method is proposed. It utilizes the final prediction boxes rather than the fixed anchors to calculate the overlap degree with objects to determine which object to regress for each anchor. The participation of the prediction box makes the anchor-object assignment mechanism adaptive. Extensive experiments are conducted on three classic detectors RetinaNet, Faster-RCNN and YOLOv3 on CrowdHuman and COCO to evaluate the effectiveness of TSAA. The results show that TSAA can significantly improve the detectors' performance without additional computational costs or network structure changes.
• Abstract（参考訳）: 現在のアンカーベースの検出器のうち、正のアンカーボックスは最も重なり合う物体に直感的に割り当てられる。 各アンカーに割り当てられたラベルは、ボックス回帰の方向やカテゴリ予測を含む、対応する予測ボックスの最適化方向を直接決定する。 しかし,本手法では,複数のオブジェクトが重なり合う場合に最も重なるオブジェクトに対して,正のアンカーが必ずしも回帰しないことを示す。 私たちはそれをアンカードリフトと呼ぶ。 アンカードリフトはアンカーとオブジェクトの重なりの度合いによって決定されるアンカーとオブジェクトのマッチング関係が必ずしも最適とは限らないことを反映する。 固定マッチング関係と過去のトレーニングプロセスにおける学習経験との矛盾は、曖昧な予測を引き起こし、偽陽性率を上昇させる可能性がある。 本稿では,単純かつ効率的で適応的な2段階アンカー割り当て(tsaa)法を提案する。 固定アンカーではなく最終予測ボックスを使用してオブジェクトとの重なり度を計算し、アンカー毎にどのオブジェクトをレグレッションするかを決定する。 予測ボックスの参加により、アンカー-オブジェクト割り当て機構が適応する。 3つの古典的検出器であるRetinaNet、Faster-RCNN、YOLOv3、CrowdHuman、COCOで大規模な実験を行い、TSAAの有効性を評価した。 その結果,tsaaは計算コストの増大やネットワーク構造の変化を伴わずに検出器の性能を大幅に向上できることがわかった。

関連論文リスト

• PointOBB: Learning Oriented Object Detection via Single Point Supervision [55.88982271340328]
  本稿では,オブジェクト指向物体検出のための最初の単一点ベース OBB 生成法である PointOBB を提案する。 PointOBBは、オリジナルビュー、リサイズビュー、ローテーション/フリップ(rot/flp)ビューの3つのユニークなビューの協調利用を通じて動作する。 DIOR-RとDOTA-v1.0データセットの実験結果は、PointOBBが有望な性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:51:50Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• SAILOR: Scaling Anchors via Insights into Latent Object Representation [5.96002531660335]
  LiDARの3Dオブジェクト検出モデルは、必然的にトレーニングデータセットに偏っている。 オブジェクトのサイズは、例えば、異なるラベル付けポリシーや地理的位置のために、ドメイン間で大きく異なります。 オブジェクトサイズバイアスを克服するアンカーキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T13:40:46Z)
• Decoupled Adaptation for Cross-Domain Object Detection [69.5852335091519]
  クロスドメインオブジェクト検出は、オブジェクト分類よりも難しい。 D-adaptは4つのクロスドメインオブジェクト検出タスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-10-06T08:43:59Z)
• Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection [60.522877583407904]
  現在のアンカーフリー物体検出器は非常に単純で有効であるが、正確なラベル割り当て方法がない。 Pseudo-Intersection-over-Union(Pseudo-IoU): アンカーフリーなオブジェクト検出フレームワークに、より標準化され、正確な割り当てルールをもたらす単純なメトリックである。 本手法はベルやホイッスルを使わずに最新のアンカーフリー手法と同等の性能を実現する。
  論文  参考訳（メタデータ） (2021-04-29T02:48:47Z)
• Dynamic Anchor Learning for Arbitrary-Oriented Object Detection [4.247967690041766]
  任意指向オブジェクトは、自然のシーン、空中写真、リモートセンシング画像などに広く現れる。 現在の回転検出器は、異なる向きのアンカーをたくさん使用して、地上の真実ボックスとの空間アライメントを実現します。 新たに定義されたマッチング度を利用した動的アンカー学習(DAL)法を提案する。
  論文  参考訳（メタデータ） (2020-12-08T01:30:06Z)
• Align Deep Features for Oriented Object Detection [40.28244152216309]
  本稿では、FAM(Feature Alignment Module)とODM(Oriented Detection Module)の2つのモジュールからなる単発アライメントネットワーク(S$2$A-Net)を提案する。 FAMは、アンカー・リファインメント・ネットワークで高品質なアンカーを生成し、アンカーボックスに応じた畳み込み特徴と、新しいアライメント・コンボリューション・コンボリューションとを適応的に調整することができる。 ODMは、まず、向き情報を符号化するためにアクティブな回転フィルタを採用し、次に、分類スコアとローカライゼーション精度の不整合を軽減するために、向きに敏感で方向不変な特徴を生成する。
  論文  参考訳（メタデータ） (2020-08-21T09:55:13Z)
• 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)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。