論文の概要: Spatial Self-Distillation for Object Detection with Inaccurate Bounding Boxes

• arxiv url: http://arxiv.org/abs/2307.12101v2
• Date: Tue, 15 Aug 2023 06:24:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-16 16:09:18.924557
• Title: Spatial Self-Distillation for Object Detection with Inaccurate Bounding Boxes
• Title（参考訳）: 不正確な境界箱を用いた物体検出のための空間自己蒸留
• Authors: Di Wu and Pengfei Chen and Xuehui Yu and Guorong Li and Zhenjun Han and Jianbin Jiao
• Abstract要約: 不正確なバウンディングボックスによるオブジェクト検出は、幅広い関心を高めている。 従来は、MIL(Multiple Case Learning)を使用して、低品質のボックスを選択して洗練していた。 空間情報をマイニングして不正確なボックスを精査するために,textbfSpatial Self-Distillation based Object Detector (SSD-Det)を提案する。
• 参考スコア（独自算出の注目度）: 33.87376099229014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection via inaccurate bounding boxes supervision has boosted a broad interest due to the expensive high-quality annotation data or the occasional inevitability of low annotation quality (\eg tiny objects). The previous works usually utilize multiple instance learning (MIL), which highly depends on category information, to select and refine a low-quality box. Those methods suffer from object drift, group prediction and part domination problems without exploring spatial information. In this paper, we heuristically propose a \textbf{Spatial Self-Distillation based Object Detector (SSD-Det)} to mine spatial information to refine the inaccurate box in a self-distillation fashion. SSD-Det utilizes a Spatial Position Self-Distillation \textbf{(SPSD)} module to exploit spatial information and an interactive structure to combine spatial information and category information, thus constructing a high-quality proposal bag. To further improve the selection procedure, a Spatial Identity Self-Distillation \textbf{(SISD)} module is introduced in SSD-Det to obtain spatial confidence to help select the best proposals. Experiments on MS-COCO and VOC datasets with noisy box annotation verify our method's effectiveness and achieve state-of-the-art performance. The code is available at https://github.com/ucas-vg/PointTinyBenchmark/tree/SSD-Det.
• Abstract（参考訳）: 不正確なバウンディングボックスによるオブジェクト検出は、高価なハイクオリティなアノテーションデータや、低いアノテーション品質(例えば小さなオブジェクト)の必然性によって、幅広い関心を集めている。 以前の研究は通常、カテゴリ情報に大きく依存するマルチインスタンス学習(MIL)を使用して、低品質のボックスを選択して洗練する。 これらの手法は空間情報を探索することなく物体のドリフト、グループ予測、部分支配問題に悩まされる。 本稿では,空間情報をマイニングし,不正確な箱を自己蒸留方式で精製する \textbf{spatial self-distillation based object detector (ssd-det") を提案する。 ssd-det は空間的位置自己蒸留 \textbf{(spsd)} モジュールを使用して空間情報と対話的構造を利用して空間情報とカテゴリ情報を組み合わせて高品質な提案バッグを構築する。 選択手順をさらに改善するため、SSD-DetにSpatial Identity Self-Distillation \textbf{(SISD)モジュールを導入し、空間信頼を得、最適な提案を選択する。 ノイズボックスアノテーションを用いたMS-COCOおよびVOCデータセットの実験により,本手法の有効性を確認し,最先端の性能を実現する。 コードはhttps://github.com/ucas-vg/PointTinyBenchmark/tree/SSD-Detで公開されている。

関連論文リスト

• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• Decoupled DETR: Spatially Disentangling Localization and Classification for Improved End-to-End Object Detection [48.429555904690595]
  本稿では,タスク認識型問合せ生成モジュールと切り離された特徴学習プロセスを含む空間的に分離されたDETRを紹介する。 提案手法は,従来の研究に比べてMSCOCOデータセットの大幅な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2023-10-24T15:54:11Z)
• Distribution-Aware Calibration for Object Detection with Noisy Bounding Boxes [58.2797274877934]
  そこで我々はDISCO(Distribution-aware CalibratiOn)を提案する。 分類, 局所化, 解釈可能性を改善するために, 3つの分布認識技術を開発した。
  論文  参考訳（メタデータ） (2023-08-23T09:20:05Z)
• Knowledge Combination to Learn Rotated Detection Without Rotated Annotation [53.439096583978504]
  回転バウンディングボックスは、伸長したオブジェクトの出力あいまいさを劇的に減少させる。 この効果にもかかわらず、回転検出器は広く使われていない。 本稿では,モデルが正確な回転ボックスを予測できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-05T03:07:36Z)
• Robust Object Detection With Inaccurate Bounding Boxes [27.664730859319707]
  正確なオブジェクト検出器を学習するには、しばしば、正確なオブジェクト境界ボックスを持つ大規模なトレーニングデータが必要である。 本研究では,不正確なバウンディングボックスを用いた頑健な物体検出器の学習という課題に対処することを目的とする。 オブジェクトをインスタンスの袋として扱うことで、私たちはObject-Aware Multiple Instance Learningアプローチを導入します。
  論文  参考訳（メタデータ） (2022-07-20T06:57:30Z)
• Exploring Diversity-based Active Learning for 3D Object Detection in Autonomous Driving [45.405303803618]
  多様性に基づくアクティブラーニング(AL)を,アノテーションの負担を軽減するための潜在的解決策として検討する。 選択したサンプルの空間的・時間的多様性を強制する新しい取得関数を提案する。 提案手法がnuScenesデータセットに与える影響を実証し,既存のAL戦略を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-05-16T14:21:30Z)
• Spatial Likelihood Voting with Self-Knowledge Distillation for Weakly Supervised Object Detection [54.24966006457756]
  自己知識蒸留ネットワーク(SLV-SDネット)を用いたWSODフレームワークを提案する。 SLV-SD Netは、境界ボックスアノテーションなしで領域提案のローカライゼーションを収束させる。 PASCAL VOC 2007/2012およびMS-COCOデータセットの実験は、SLV-SD Netの優れた性能を示している。
  論文  参考訳（メタデータ） (2022-04-14T11:56:19Z)
• SIENet: Spatial Information Enhancement Network for 3D Object Detection from Point Cloud [20.84329063509459]
  LiDARベースの3Dオブジェクト検出は、自動運転車に大きな影響を与える。 LiDARの固有特性の制限により、センサーから遠く離れた物体において、より少ない点が収集される。 そこで本研究では,SIENetという2段階の3次元物体検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T07:45:09Z)
• DS-Net: Dynamic Spatiotemporal Network for Video Salient Object Detection [78.04869214450963]
  時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。 提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-09T06:42:30Z)

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。