論文の概要: Hausdorff Distance Matching with Adaptive Query Denoising for Rotated
Detection Transformer
- arxiv url: http://arxiv.org/abs/2305.07598v4
- Date: Wed, 29 Nov 2023 08:56:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 01:05:35.950001
- Title: Hausdorff Distance Matching with Adaptive Query Denoising for Rotated
Detection Transformer
- Title(参考訳): 回転検出変圧器の適応的問合せによるハウスドルフ距離マッチング
- Authors: Hakjin Lee, Minki Song, Jamyoung Koo, Junghoon Seo
- Abstract要約: 回転物体検出におけるDETRの適用は、確立された指向性物体検出器と比較して、最適以下の性能を示す。
ハンガリーのマッチングに対するハウスドルフ距離に基づくコストを導入し、予測と地上の真実との相違をより正確に定量化する。
本稿では,モデル改善に寄与しない過剰なノイズクエリを選択的にフィルタリングするために,ハンガリー語マッチングを用いた適応型クエリ記述手法を提案する。
- 参考スコア(独自算出の注目度): 4.519754139322585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Detection Transformer (DETR) has emerged as a pivotal role in object
detection tasks, setting new performance benchmarks due to its end-to-end
design and scalability. Despite its advancements, the application of DETR in
detecting rotated objects has demonstrated suboptimal performance relative to
established oriented object detectors. Our analysis identifies a key
limitation: the L1 cost used in Hungarian Matching leads to duplicate
predictions due to the square-like problem in oriented object detection,
thereby obstructing the training process of the detector. We introduce a
Hausdorff distance-based cost for Hungarian matching, which more accurately
quantifies the discrepancy between predictions and ground truths. Moreover, we
note that a static denoising approach hampers the training of rotated DETR,
particularly when the detector's predictions surpass the quality of noised
ground truths. We propose an adaptive query denoising technique, employing
Hungarian matching to selectively filter out superfluous noised queries that no
longer contribute to model improvement. Our proposed modifications to DETR have
resulted in superior performance, surpassing previous rotated DETR models and
other alternatives. This is evidenced by our model's state-of-the-art
achievements in benchmarks such as DOTA-v1.0/v1.5/v2.0, and DIOR-R.
- Abstract(参考訳): Detection Transformer (DETR) はオブジェクト検出タスクにおいて重要な役割を担い、エンドツーエンドの設計とスケーラビリティのために新しいパフォーマンスベンチマークを設定している。
その進歩にもかかわらず、回転物体検出におけるdetrの応用は、確立された向き付け物体検出器に対する準最適性能を示している。
ハンガリーマッチングに使用されるl1コストは、向き付け対象検出における正方形問題による予測の重複につながるため、検出器のトレーニングプロセスが阻害される。
ハンガリーマッチングのためのハウスドルフ距離ベースのコストを導入し、予測と基底真理の差をより正確に定量化する。
さらに, 静的デノナイジング手法は, 特に検出器の予測がノイズのある地上の真実の質を超えた場合, 回転DETRの訓練を妨げている。
本稿では,ハンガリーマッチングを用いた適応的問合せ手法を提案し,モデル改善に役立たない余分なノイズのある問合せを選択的にフィルタリングする。
提案した DETR の改良により,従来の回転型 DETR モデルや他の代替モデルよりも優れた性能が得られた。
これは、DOTA-v1.0/v1.5/v2.0やDIOR-Rといったベンチマークにおける我々のモデルの現状によって証明されている。
関連論文リスト
- Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。
我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。
その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
論文 参考訳(メタデータ) (2023-11-06T22:13:10Z) - Rank-DETR for High Quality Object Detection [52.82810762221516]
高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。
本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
論文 参考訳(メタデータ) (2023-10-13T04:48:32Z) - D2Q-DETR: Decoupling and Dynamic Queries for Oriented Object Detection
with Transformers [14.488821968433834]
オブジェクト指向オブジェクト検出のためのエンドツーエンドフレームワークを提案する。
我々のフレームワークはDETRに基づいており、ボックスレグレッションヘッドはポイント予測ヘッドに置き換えられている。
最大かつ挑戦的なDOTA-v1.0データセットとDOTA-v1.5データセットの実験は、D2Q-DETRが既存のNMSベースおよびNMSのないオブジェクト指向オブジェクト検出方法より優れていることを示している。
論文 参考訳(メタデータ) (2023-03-01T14:36:19Z) - Detecting Rotated Objects as Gaussian Distributions and Its 3-D
Generalization [81.29406957201458]
既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。
このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。
回転した物体をガウス分布としてモデル化することを提案する。
2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
論文 参考訳(メタデータ) (2022-09-22T07:50:48Z) - AO2-DETR: Arbitrary-Oriented Object Detection Transformer [17.287517988299925]
本稿では、AO2-DETRと呼ばれるArbitrary-Oriented Object Detection TRansformerフレームワークを提案する。
指向的提案を明示的に生成するために、指向的提案生成機構を提案する。
また、直接セット予測のための1対1マッチングプロセスを保証するために、回転対応セットマッチング損失を用いる。
論文 参考訳(メタデータ) (2022-05-25T13:57:13Z) - Rethinking Transformer-based Set Prediction for Object Detection [57.7208561353529]
実験の結果,提案手法は元のDETRよりもはるかに高速に収束するだけでなく,検出精度の点でDTRや他のベースラインよりも優れていた。
論文 参考訳(メタデータ) (2020-11-21T21:59:42Z) - End-to-End Object Detection with Transformers [88.06357745922716]
本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。
我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。
この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
論文 参考訳(メタデータ) (2020-05-26T17:06:38Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。