論文の概要: Intersection over Union with smoothing for bounding box regression

• arxiv url: http://arxiv.org/abs/2303.15067v1
• Date: Mon, 27 Mar 2023 10:20:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 16:00:04.793498
• Title: Intersection over Union with smoothing for bounding box regression
• Title（参考訳）: 境界箱回帰のための平滑化による連接断面
• Authors: Petra \v{S}tevuli\'akov\'a, Petr Hurtik
• Abstract要約: 本稿では,境界ボックス回帰に対する損失関数の構成に着目する。 IoU(Intersection over Union)メトリックは、より高速に収束するように改善される。 提案した損失関数は,地中真理境界ボックスの次元における雑音に対して頑健であることを示す。
• 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: We focus on the construction of a loss function for the bounding box regression. The Intersection over Union (IoU) metric is improved to converge faster, to make the surface of the loss function smooth and continuous over the whole searched space, and to reach a more precise approximation of the labels. The main principle is adding a smoothing part to the original IoU, where the smoothing part is given by a linear space with values that increases from the ground truth bounding box to the border of the input image, and thus covers the whole spatial search space. We show the motivation and formalism behind this loss function and experimentally prove that it outperforms IoU, DIoU, CIoU, and SIoU by a large margin. We experimentally show that the proposed loss function is robust with respect to the noise in the dimension of ground truth bounding boxes. The reference implementation is available at gitlab.com/irafm-ai/smoothing-iou.
• Abstract（参考訳）: 本稿では,境界ボックス回帰に対する損失関数の構成に着目する。 IoU(Intersection over Union)メートル法はより高速に収束し、探索空間全体にわたって損失関数の表面を滑らかに連続させ、ラベルのより正確な近似に達するように改良される。 主原理は、平滑化部を原IoUに追加することであり、平滑化部は、接地真理境界ボックスから入力画像の境界まで増加する値の線形空間によって与えられるので、空間探索空間全体をカバーしている。 この損失関数の背後にあるモチベーションと形式性を示し、IoU, DIoU, CIoU, SIoUを大きな差で上回っていることを実験的に証明した。 提案した損失関数は,地中真理境界ボックスの次元における雑音に対して頑健であることを示す。 リファレンス実装はgitlab.com/irafm-ai/smoothing-iouで利用可能である。

関連論文リスト

• Inner-IoU: More Effective Intersection over Union Loss with Auxiliary Bounding Box [10.03001043843768]
  補助的バウンディングボックスを通してIoU損失を算出する内IoU損失を提案する。 異なるデータセットや検出器に対して、補助境界ボックスのスケールサイズを制御するためのスケーリング係数比を導入する。 最後に、シミュレーションと比較実験のために既存のIoUベースの損失関数にInner-IoUを統合する。
  論文  参考訳（メタデータ） (2023-11-06T05:14:24Z)
• Edge Based Oriented Object Detection [8.075609633483248]
  対象物の検出精度を高めるために,エッジ勾配に基づく一意な損失関数を提案する。 DOTAデータセットのmAP増加率は1.3%である。
  論文  参考訳（メタデータ） (2023-09-15T09:19:38Z)
• MPDIoU: A Loss for Efficient and Accurate Bounding Box Regression [0.0]
  本稿では,新しい境界ボックス類似度比較基準MPDIoUを提案する。 MPDIoU損失関数は、最先端のインスタンスセグメンテーション(YOLACT)やPASCAL VOC、MS COCO、IIIT5kで訓練されたオブジェクト検出(YOLOv7)モデルに適用される。
  論文  参考訳（メタデータ） (2023-07-14T23:54:49Z)
• The Implicit Bias of Minima Stability in Multivariate Shallow ReLU Networks [53.95175206863992]
  本研究では,2次損失を持つ1層多変量ReLUネットワークをトレーニングする際に,勾配勾配勾配が収束する解のタイプについて検討する。 我々は、浅いReLUネットワークが普遍近似器であるにもかかわらず、安定した浅層ネットワークは存在しないことを証明した。
  論文  参考訳（メタデータ） (2023-06-30T09:17:39Z)
• SIoU Loss: More Powerful Learning for Bounding Box Regression [0.0]
  損失関数SIoUが提案され、所望の回帰のベクトルの角度を考慮してペナルティ指標が再定義された。 従来のニューラルネットワークやデータセットに適用すると、SIoUはトレーニングの速度と推論の精度の両方を改善する。
  論文  参考訳（メタデータ） (2022-05-25T12:46:21Z)
• Maximum Spatial Perturbation Consistency for Unpaired Image-to-Image Translation [56.44946660061753]
  本稿では,最大空間摂動整合(MSPC)と呼ばれる普遍正規化手法を提案する。 MSPCは空間摂動関数(T)と変換演算子(G)を可換(TG = GT)に強制する。 提案手法は,ほとんどのI2Iベンチマークにおいて最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-23T19:59:04Z)
• Lifting the Convex Conjugate in Lagrangian Relaxations: A Tractable Approach for Continuous Markov Random Fields [53.31927549039624]
  断片的な離散化は既存の離散化問題と矛盾しないことを示す。 この理論を2つの画像のマッチング問題に適用する。
  論文  参考訳（メタデータ） (2021-07-13T12:31:06Z)
• GBHT: Gradient Boosting Histogram Transform for Density Estimation [73.94900378709023]
  textitGradient Boosting Histogram Transform (GBHT) と呼ばれる密度推定アルゴリズムを提案する。 そこで本研究では,高揚化がベース学習者の性能向上に寄与する理由を理論的に説明するための最初の試みを行う。
  論文  参考訳（メタデータ） (2021-06-10T13:40:28Z)
• SCALoss: Side and Corner Aligned Loss for Bounding Box Regression [29.275260127860783]
  2つのバウンディングボックスのサイドオーバーラップを最大化することで、バウンディングボックスのバウンドボックスが低オーバーラップした場合により多くのペナルティを課すことにより、サイドオーバーラップ(so)損失を提案する。 収束をスピードアップするために、コーナー距離(CD)が客観的関数に追加されます。 新しい回帰目的関数 Side and Corner Align Loss (SCALoss) を取得します。
  論文  参考訳（メタデータ） (2021-04-01T13:46:35Z)
• Federated Functional Gradient Boosting [75.06942944563572]
  フェデレーション学習における機能最小化に関する研究 FFGB.C と FFGB.L は、特徴分布がより均一になるにつれて収束半径が 0 に縮まる。
  論文  参考訳（メタデータ） (2021-03-11T21:49:19Z)
• Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss [111.8807588392563]
  境界不連続性と最終検出基準の不整合性は, 回転検出回帰損失設計のボトルネックとなっている。 本稿では,ガウス・ワッサーシュタイン距離に基づく新しい回帰損失を,この問題に対する基本的なアプローチとして提案する。
  論文  参考訳（メタデータ） (2021-01-28T12:04:35Z)

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。