論文の概要: Unbalanced Optimal Transport: A Unified Framework for Object Detection

• arxiv url: http://arxiv.org/abs/2307.02402v1
• Date: Wed, 5 Jul 2023 16:21:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 13:07:22.181135
• Title: Unbalanced Optimal Transport: A Unified Framework for Object Detection
• Title（参考訳）: unbalanced optimal transport:オブジェクト検出のための統一フレームワーク
• Authors: Henri De Plaen, Pierre-Fran\c{c}ois De Plaen, Johan A. K. Suykens, Marc Proesmans, Tinne Tuytelaars and Luc Van Gool
• Abstract要約: 不均衡最適輸送がオブジェクト検出に対する異なるアプローチをどのように統合するかを示す。 非平衡最適輸送を用いた物体検出モデルの訓練が最先端に到達可能であることを示す。 このアプローチはGPUの実装に適しており、大規模なモデルに有利であることが証明されている。
• 参考スコア（独自算出の注目度）: 97.74382560746987
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: During training, supervised object detection tries to correctly match the predicted bounding boxes and associated classification scores to the ground truth. This is essential to determine which predictions are to be pushed towards which solutions, or to be discarded. Popular matching strategies include matching to the closest ground truth box (mostly used in combination with anchors), or matching via the Hungarian algorithm (mostly used in anchor-free methods). Each of these strategies comes with its own properties, underlying losses, and heuristics. We show how Unbalanced Optimal Transport unifies these different approaches and opens a whole continuum of methods in between. This allows for a finer selection of the desired properties. Experimentally, we show that training an object detection model with Unbalanced Optimal Transport is able to reach the state-of-the-art both in terms of Average Precision and Average Recall as well as to provide a faster initial convergence. The approach is well suited for GPU implementation, which proves to be an advantage for large-scale models.
• Abstract（参考訳）: トレーニング中、教師付きオブジェクト検出は予測された境界ボックスと関連する分類スコアと基底真理とを正しく一致させようとする。 これは、どのソリューションに向かってどの予測をプッシュするか、あるいは破棄するかを決定するのに不可欠です。 一般的なマッチング戦略としては、最も近い接地真理箱(主にアンカーと組み合わせて使用される)のマッチングや、ハンガリーのアルゴリズム(主にアンカーフリーの手法で使用される)によるマッチングがある。 これらの戦略にはそれぞれの特性、基礎となる損失、ヒューリスティックが含まれる。 非バランスな最適輸送がこれらの異なるアプローチをいかに統一するかを示し、その間に方法の全連続性を開く。 これにより、望ましいプロパティのより細かい選択が可能になる。 実験により,不均衡な最適移動量を持つ物体検出モデルの訓練は,平均精度と平均リコールの両面で最先端に到達でき,より高速に初期収束できることを示した。 このアプローチはgpu実装に適しており、大規模モデルに有利であることが証明されている。

関連論文リスト

• A Best-of-Both Approach to Improve Match Predictions and Reciprocal Recommendations for Job Search [15.585641615174623]
  本稿では、擬似マッチスコアを利用して、生産における相互推薦を改善するための、新規で実用的なソリューションを紹介し、実証する。 具体的には、実際のマッチングラベルと比較的不正確だが密なマッチング予測を組み合わせることで、より密で直接的な擬似マッチスコアを生成する。 我々の手法は、直接マッチング予測と2つの異なるモデルアプローチの両方の高レベルなアイデアを組み合わせることで、ベスト・オブ・ボス(BoB)アプローチと見なすことができる。
  論文  参考訳（メタデータ） (2024-09-17T08:51:02Z)
• Model Ensembling for Constrained Optimization [7.4351710906830375]
  下流最適化に使用される多次元出力予測のためのモデルを組み立てたいという設定について検討する。 より正確には、状態空間を多次元実数値予測にマッピングする多くのモデルが与えられていると想像する。 これらの予測は、指定された制約の下で最適化したい線形対象の係数を形成する。 証明可能かつ収束性の高い2つのアルゴリズムに導かれる多重校正手法を適用した。
  論文  参考訳（メタデータ） (2024-05-27T01:48:07Z)
• A Minimaximalist Approach to Reinforcement Learning from Human Feedback [49.45285664482369]
  人間のフィードバックから強化学習を行うアルゴリズムとして,SPO(Self-Play Preference Optimization)を提案する。 我々のアプローチは、報酬モデルや不安定な敵の訓練を必要としないという点で最小主義である。 我々は,一連の継続的制御タスクにおいて,報酬モデルに基づくアプローチよりもはるかに効率的に学習できることを実証した。
  論文  参考訳（メタデータ） (2024-01-08T17:55:02Z)
• Scale Optimization Using Evolutionary Reinforcement Learning for Object Detection on Drone Imagery [17.26524675722299]
  本稿では, 粗い物体検出フレームワークに組み込まれた進化的強化学習エージェントを提案し, 画像中の物体のより効率的な検出のために, スケールを最適化する。 スケール最適化の指針として, 局所化精度, 予測ラベルの精度, 近傍のパッチ間のスケール一貫性のセットを設計する。
  論文  参考訳（メタデータ） (2023-12-23T10:49:55Z)
• 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)
• Towards Feature-Based Performance Regression Using Trajectory Data [0.9281671380673306]
  ブラックボックス最適化は非常に活発な研究領域であり、毎年多くの新しいアルゴリズムが開発されている。 アルゴリズムの多様性はメタプロブレム(メタプロブレム):どのアルゴリズムが与えられた問題を選択するか? 過去の研究では、探索ランドスケープ分析に基づくインスタンスごとのアルゴリズム選択が、このメタプロブレムに取り組むための効率的な手段であることが示されている。
  論文  参考訳（メタデータ） (2021-02-10T10:19:13Z)
• Provably Efficient Algorithms for Multi-Objective Competitive RL [54.22598924633369]
  エージェントの報酬がベクトルとして表現される多目的強化学習(RL)について検討する。 エージェントが相手と競合する設定では、その平均戻りベクトルから目標セットまでの距離によってその性能を測定する。 統計的および計算学的に効率的なアルゴリズムを開発し、関連するターゲットセットにアプローチする。
  論文  参考訳（メタデータ） (2021-02-05T14:26:00Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• Pairwise Similarity Knowledge Transfer for Weakly Supervised Object Localization [53.99850033746663]
  弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。 本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。 COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-03-18T17:53:33Z)

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。