論文の概要: Being Aware of Localization Accuracy By Generating Predicted-IoU-Guided Quality Scores

• arxiv url: http://arxiv.org/abs/2309.13269v1
• Date: Sat, 23 Sep 2023 05:27:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 21:05:36.902325
• Title: Being Aware of Localization Accuracy By Generating Predicted-IoU-Guided Quality Scores
• Title（参考訳）: 予測IoU誘導品質スコアの生成による局所化精度の認識
• Authors: Pengfei Liu, Weibo Wang, Yuhan Guo, Jiubin Tan
• Abstract要約: 予測IoUにより誘導される局所化品質スコアを取得するためのエレガントなLQEブランチを開発する。 CLQと呼ばれる新しい1段検出器が提案されている。 実験の結果、CLQは47.8 APと11.5fpsの精度で最先端の性能を達成した。
• 参考スコア（独自算出の注目度）: 24.086202809990795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Localization Quality Estimation (LQE) helps to improve detection performance as it benefits post processing through jointly considering classification score and localization accuracy. In this perspective, for further leveraging the close relationship between localization accuracy and IoU (Intersection-Over-Union), and for depressing those inconsistent predictions, we designed an elegant LQE branch to acquire localization quality score guided by predicted IoU. Distinctly, for alleviating the inconsistency of classification score and localization quality during training and inference, under which some predictions with low classification scores but high LQE scores will impair the performance, instead of separately and independently setting, we embedded LQE branch into classification branch, producing a joint classification-localization-quality representation. Then a novel one stage detector termed CLQ is proposed. Extensive experiments show that CLQ achieves state-of-the-arts' performance at an accuracy of 47.8 AP and a speed of 11.5 fps with ResNeXt-101 as backbone on COCO test-dev. Finally, we extend CLQ to ATSS, producing a reliable 1.2 AP gain, showing our model's strong adaptability and scalability. Codes are released at https://github.com/PanffeeReal/CLQ.
• Abstract（参考訳）: ローカライズ品質推定(lqe)は,分類スコアとローカライズ精度を共同で考慮することで,後処理のメリットを享受できるため,検出性能の向上に寄与する。 この観点から、局所化精度とIoU(Intersection-Over-Union)の密接な関係をさらに活用し、それらの矛盾した予測を抑えるため、予測されたIoUによって導かれる局所化品質スコアを取得するためのエレガントなLQEブランチを設計した。 分類スコアの低さとlqeスコアの高い予測が性能を損なうというトレーニングや推論における分類スコアと局所品質の不整合を緩和するために,lqeブランチを分類ブランチに組み込み,共同分類-局所化品質表現を作成した。 そして、CLQと呼ばれる新しい1段階検出器を提案する。 大規模な実験により、CLQは47.8 APの精度で最先端の性能を達成し、ResNeXt-101をバックボーンとして11.5fpsの速度をCOCOテストデブで達成した。 最後に、clqをatsに拡張し、信頼性のある1.2 apゲインを生成し、モデルの強い適応性とスケーラビリティを示しています。 コードはhttps://github.com/panffeereal/clqでリリースされる。

関連論文リスト

• Token-based Decision Criteria Are Suboptimal in In-context Learning [2.2973949268669562]
  In-Context Learning (ICL) は通常、手動で選択したラベルトークンの出力確率から分類基準を利用する。 このようなトークンベースの分類基準は、最適下決定境界につながると我々は主張する。 トークン確率を放棄し,LMの最後の隠蔽状態に最も近いセントロイドを使用するHiddenを提案する。
  論文  参考訳（メタデータ） (2024-06-24T11:16:26Z)
• 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)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• AUC-based Selective Classification [5.406386303264086]
  選択関数を与えられたバイナリ分類器に関連付けるためのモデルに依存しない手法を提案する。 このような目的を達成するために、理論的正当化と$AUCross$と呼ばれる新しいアルゴリズムの両方を提供する。 実験によると、$AUCross$はAUCのトレードオフカバレッジに成功し、精度を最適化することを目的とした既存の選択的な分類方法を改善している。
  論文  参考訳（メタデータ） (2022-10-19T16:29:50Z)
• Learning Localization-aware Target Confidence for Siamese Visual Tracking [13.684278662495204]
  我々はSiamLAと呼ばれる新しい追跡パラダイムを提案する。 このパラダイムの中では、単純だが効果的なローカライゼーション対応コンポーネントがいくつか導入されている。 当社のSiamLAは精度と効率の両面で最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2022-04-29T13:37:15Z)
• Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detection [78.11775981796367]
  GFLV2 (ResNet-101) は14.6 FPSで46.2 APを達成し、以前の最先端ATSSベースライン (43.6 AP at 14.6 FPS) をCOCO tt test-devで絶対2.6 APで上回った。 コードはhttps://github.com/implus/GFocalV2.comから入手できる。
  論文  参考訳（メタデータ） (2020-11-25T17:06:37Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。