論文の概要: TinyDet: Accurate Small Object Detection in Lightweight Generic Detectors

• arxiv url: http://arxiv.org/abs/2304.03428v1
• Date: Fri, 7 Apr 2023 00:45:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 13:10:35.935020
• Title: TinyDet: Accurate Small Object Detection in Lightweight Generic Detectors
• Title（参考訳）: TinyDet:軽量ジェネリック検出器における高精度小物体検出
• Authors: Shaoyu Chen, Tianheng Cheng, Jiemin Fang, Qian Zhang, Yuan Li, Wenyu Liu, Xinggang Wang
• Abstract要約: 本稿では,TinyDetと呼ばれる計算量が極めて少ない2段階の軽量検出フレームワークを提案する。 COCOベンチマークでは、TinyDet-Mはわずか991 MFLOPsで30.3 APと13.5 APを達成した。
• 参考スコア（独自算出の注目度）: 35.20978430099343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small object detection requires the detection head to scan a large number of positions on image feature maps, which is extremely hard for computation- and energy-efficient lightweight generic detectors. To accurately detect small objects with limited computation, we propose a two-stage lightweight detection framework with extremely low computation complexity, termed as TinyDet. It enables high-resolution feature maps for dense anchoring to better cover small objects, proposes a sparsely-connected convolution for computation reduction, enhances the early stage features in the backbone, and addresses the feature misalignment problem for accurate small object detection. On the COCO benchmark, our TinyDet-M achieves 30.3 AP and 13.5 AP^s with only 991 MFLOPs, which is the first detector that has an AP over 30 with less than 1 GFLOPs; besides, TinyDet-S and TinyDet-L achieve promising performance under different computation limitation.
• Abstract（参考訳）: 小さな物体検出には、画像特徴マップ上の多数の位置をスキャンする検出ヘッドが必要である。 計算量が少ない小さなオブジェクトを正確に検出するために,TinyDetと呼ばれる計算量が極めて少ない2段階の軽量検出フレームワークを提案する。 高密度アンカーのための高分解能特徴マップを小型オブジェクトをよりよくカバーすることを可能にし、計算量削減のための疎結合畳み込みを提案し、バックボーンの早期機能を強化し、正確な小型オブジェクト検出のための特徴ミスアライメント問題に対処する。 COCOベンチマークでは、TinyDet-Mは、わずか991 MFLOPsで30.3 APと13.5 AP^sを達成するが、これは1 GFLOPs未満のAPを持つ最初の検出器であり、TinyDet-SとTinyDet-Lは異なる計算制限下で有望な性能を達成する。

関連論文リスト

• ESOD: Efficient Small Object Detection on High-Resolution Images [36.80623357577051]
  小さなオブジェクトは通常、わずかに分散され、局所的にクラスタ化される。 画像の非対象背景領域において、大量の特徴抽出計算を無駄にする。 本稿では,検出器のバックボーンを再利用して,特徴レベルのオブジェクト探索とパッチスライシングを行う方法を提案する。
  論文  参考訳（メタデータ） (2024-07-23T12:21:23Z)
• Visible and Clear: Finding Tiny Objects in Difference Map [50.54061010335082]
  本稿では,検出モデルに自己再構成機構を導入し,それと微小物体との強い相関関係を明らかにする。 具体的には、再構成画像と入力の差分マップを構築して、検出器の首の内側に再構成ヘッドを配置し、小さな物体に対して高い感度を示す。 さらに、小さな特徴表現をより明確にするために、差分マップガイド機能拡張(DGFE)モジュールを開発する。
  論文  参考訳（メタデータ） (2024-05-18T12:22:26Z)
• SpirDet: Towards Efficient, Accurate and Lightweight Infrared Small Target Detector [60.42293239557962]
  我々は、赤外線小ターゲットの効率的な検出のための新しいアプローチであるSpirDetを提案する。 新しいデュアルブランチスパースデコーダを用いて特徴写像を復元する。 大規模な実験により、提案されたSpirDetは最先端モデルよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-08T05:06:14Z)
• 3D Small Object Detection with Dynamic Spatial Pruning [62.72638845817799]
  本稿では,3次元小物体検出のための効率的な特徴解析手法を提案する。 空間分解能の高いDSPDet3Dというマルチレベル3次元検出器を提案する。 ほぼ全ての物体を検知しながら、4500k以上のポイントからなる建物全体を直接処理するには2秒もかからない。
  論文  参考訳（メタデータ） (2023-05-05T17:57:04Z)
• A Coarse to Fine Framework for Object Detection in High Resolution Image [8.316322664637537]
  オブジェクト検出の現在のアプローチでは、高解像度画像における小さなオブジェクトや大規模な分散問題を検出することはめったにない。 本稿では,オブジェクト検出の精度を,特に小さなオブジェクトや大規模分散シーンに対して向上させる,シンプルで効率的なアプローチを提案する。 提案手法は,高分解能画像における物体の空間と情報を有効利用することにより,より効率的に検出できる。
  論文  参考訳（メタデータ） (2023-03-02T13:04:33Z)
• PSA-Det3D: Pillar Set Abstraction for 3D object Detection [14.788139868324155]
  我々は,小物体の検出性能を向上させるために,柱集合抽象化(PSA)と前景点補償(FPC)を提案する。 KITTI 3D 検出ベンチマーク実験の結果,提案した PSA-Det3D は他のアルゴリズムよりも高い精度で小物体検出を行うことができた。
  論文  参考訳（メタデータ） (2022-10-20T03:05:34Z)
• SALISA: Saliency-based Input Sampling for Efficient Video Object Detection [58.22508131162269]
  ビデオオブジェクト検出のための新しい一様SALiencyベースの入力SAmpling技術であるSALISAを提案する。 SALISAは小物体の検出を著しく改善することを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:51Z)
• Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
  自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。 多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。 本稿では,SST(Single-stride Sparse Transformer)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T02:12:02Z)
• A Normalized Gaussian Wasserstein Distance for Tiny Object Detection [21.50800336432307]
  最先端の検出器は、外観情報がないため、小さな物体に対して満足な結果を出さない。 微小物体検出のためのワッサーシュタイン距離を用いた新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2021-10-26T03:43:17Z)
• QueryDet: Cascaded Sparse Query for Accelerating High-Resolution Small Object Detection [17.775203579232144]
  特徴ピラミド系物体検出器の推論速度を高速化する新規なクエリ機構を提案する。 パイプラインはまず、低解像度特徴量上の小さな物体の粗い位置を予測し、高解像度特徴量を用いて正確な検出結果を算出する。 一般的なCOCOデータセットでは,検出mAPを1.0倍,mAPを2.0倍に改善し,高分解能推論速度を平均3.0倍に向上する。
  論文  参考訳（メタデータ） (2021-03-16T15:30:20Z)

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。