論文の概要: Uncertainty-Aware Gradient Stabilization for Small Object Detection

• arxiv url: http://arxiv.org/abs/2303.01803v2
• Date: Thu, 10 Jul 2025 11:21:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.078721
• Title: Uncertainty-Aware Gradient Stabilization for Small Object Detection
• Title（参考訳）: 微小物体検出のための不確実性を考慮したグラディエント安定化
• Authors: Huixin Sun, Yanjing Li, Linlin Yang, Xianbin Cao, Baochang Zhang,
• Abstract要約: 不確実性を考慮したグラディエント安定化(Uncertainty-Aware Gradient Stabilization, UGS)は、勾配を安定化するための分類タスクとしてオブジェクトローカライゼーションを再構成するフレームワークである。 UGSは一貫してアンカーベース、アンカーフリー、そして小さな物体検出装置を改良している。
• 参考スコア（独自算出の注目度）: 33.7883732168552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite advances in generic object detection, there remains a performance gap in detecting small objects compared to normal-scale objects. We reveal that conventional object localization methods suffer from gradient instability in small objects due to sharper loss curvature, leading to a convergence challenge. To address the issue, we propose Uncertainty-Aware Gradient Stabilization (UGS), a framework that reformulates object localization as a classification task to stabilize gradients. UGS quantizes continuous labels into interval non-uniform discrete representations. Under a classification-based objective, the localization branch generates bounded and confidence-driven gradients, mitigating instability. Furthermore, UGS integrates an uncertainty minimization (UM) loss that reduces prediction variance and an uncertainty-guided refinement (UR) module that identifies and refines high-uncertainty regions via perturbations. Evaluated on four benchmarks, UGS consistently improves anchor-based, anchor-free, and leading small object detectors. Especially, UGS enhances DINO-5scale by 2.6 AP on VisDrone, surpassing previous state-of-the-art results.
• Abstract（参考訳）: 汎用オブジェクト検出の進歩にもかかわらず、通常の大規模オブジェクトと比較して小さなオブジェクトを検出する場合のパフォーマンスギャップは依然として残っている。 従来の物体定位法は、よりシャープな損失曲率により小さな物体の勾配不安定性に悩まされ、収束の難しさを招いた。 この問題に対処するために,オブジェクトの局所化を安定化するための分類タスクとして再構成するフレームワークであるUncertainty-Aware Gradient Stabilization (UGS)を提案する。 UGSは連続ラベルを非一様離散表現の間隔に定量化する。 分類に基づく目的の下で、ローカライゼーションブランチは、不安定を緩和する、有界および信頼駆動的な勾配を生成する。 さらに、UGSは予測分散を低減する不確実性最小化(UM)損失と、摂動による高不確実性領域を識別・精錬する不確実性誘導改良(UR)モジュールを統合する。 4つのベンチマークで評価され、UGSは一貫してアンカーベース、アンカーフリー、そして小さな物体検出器を誘導する。 特に、UGSはDINO-5scaleをVisDroneの2.6 APで強化し、これまでの最先端の結果を上回っている。

関連論文リスト

• An Uncertainty-aware DETR Enhancement Framework for Object Detection [10.102900613370817]
  本稿では,DETRを用いた物体検出のための不確実性認識フレームワークを提案する。 我々はハイリスク情報をフィルタリングし、検出信頼性を向上させるベイズリスクの定式化を導出する。 COCOベンチマーク実験により,本手法を既存のDECR変種に効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2025-07-20T07:53:04Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Harnessing Uncertainty-aware Bounding Boxes for Unsupervised 3D Object Detection [22.297964850282177]
  教師なしの3Dオブジェクト検出は、LiDARポイントのようなラベル付けされていない生データから興味のあるオブジェクトを識別することを目的としている。 最近のアプローチでは、モデルトレーニングを初期化するためにクラスタリングアルゴリズムから擬似3Dバウンディングボックス(3D bbox)を採用するのが一般的である。 UA3Dと呼ばれる教師なし3Dオブジェクト検出のための新しい不確実性認識フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-08-01T15:01:07Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Better Sampling, towards Better End-to-end Small Object Detection [7.7473020808686694]
  限られた特性と高密度と相互重なり合いのため、小さな物体検出は不満足なままである。 エンド・ツー・エンド・フレームワークにおけるサンプリングの強化手法を提案する。 我々のモデルは、VisDroneデータセット上での最先端(SOTA)よりも平均精度(AP)が2.9%向上することを示す。
  論文  参考訳（メタデータ） (2024-05-17T04:37:44Z)
• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
  Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。 現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。 疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T12:59:55Z)
• Provably Accelerating Ill-Conditioned Low-rank Estimation via Scaled Gradient Descent, Even with Overparameterization [48.65416821017865]
  この章では、スケールドグラデーション(ScaledGD)と呼ばれる新しいアルゴリズムアプローチを紹介します。 低ランク物体の条件数に依存しない定数速度で直線的に収束する。 様々なタスクに対して、勾配降下の低い摂動コストを維持できる。
  論文  参考訳（メタデータ） (2023-10-09T21:16:57Z)
• Localization-Guided Track: A Deep Association Multi-Object Tracking Framework Based on Localization Confidence of Detections [4.565826090373598]
  局所化信頼度はMOTで初めて適用され、検出ボックスの外観明快さと位置化精度が考慮される。 提案手法は, 比較した最先端追跡法より優れる。
  論文  参考訳（メタデータ） (2023-09-18T13:45:35Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Beyond the Edge of Stability via Two-step Gradient Updates [49.03389279816152]
  Gradient Descent(GD)は、現代の機械学習の強力な仕事場である。 GDが局所最小値を見つける能力は、リプシッツ勾配の損失に対してのみ保証される。 この研究は、2段階の勾配更新の分析を通じて、単純だが代表的でありながら、学習上の問題に焦点をあてる。
  論文  参考訳（メタデータ） (2022-06-08T21:32:50Z)
• 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)
• Boundary Distribution Estimation for Precise Object Detection [12.247010914825971]
  オブジェクト検出の分野では、オブジェクトのローカライゼーションのタスクは、バウンディングボックスのレグレッションに重点を置いて達成されるのが一般的である。 これは伝統的に、ボックスの中央の位置とスケーリング要素を後退させることで、オブジェクトの位置を予測する。 本稿では,従来の手法の欠点を理論的解析と実験的検証によって解決する。 本手法は,物体の境界における推定分布に基づいてボックスエッジを精製することにより,境界ボックスの局所化の精度を高める。
  論文  参考訳（メタデータ） (2021-11-02T06:58:22Z)
• Uncertainty-Aware Model Adaptation for Unsupervised Cross-Domain Object Detection [12.807987076435928]
  この研究は、教師なしのクロスドメインオブジェクト検出問題に取り組む。 これは、事前訓練された物体検出器をラベルなしで新しいターゲットドメインに一般化することを目的としている。
  論文  参考訳（メタデータ） (2021-08-28T09:37:18Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)
• Fine-Grained Analysis of Stability and Generalization for Stochastic Gradient Descent [55.85456985750134]
  我々は,SGDの反復的リスクによって制御される新しい境界を開発する,平均モデル安定性と呼ばれる新しい安定性尺度を導入する。 これにより、最良のモデルの振舞いによって一般化境界が得られ、低雑音環境における最初の既知の高速境界が導かれる。 我々の知る限りでは、このことはSGDの微分不能な損失関数でさえも初めて知られている安定性と一般化を与える。
  論文  参考訳（メタデータ） (2020-06-15T06:30:19Z)
• 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。