論文の概要: Zone Evaluation: Revealing Spatial Bias in Object Detection

• arxiv url: http://arxiv.org/abs/2310.13215v1
• Date: Fri, 20 Oct 2023 01:44:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-10-24 00:54:26.757925
• Title: Zone Evaluation: Revealing Spatial Bias in Object Detection
• Title（参考訳）: ゾーン評価:物体検出における空間バイアスの解明
• Authors: Zhaohui Zheng, Yuming Chen, Qibin Hou, Xiang Li, Ping Wang, Ming-Ming Cheng
• Abstract要約: 物体検出器の基本的限界は、それらが「空間バイアス」に苦しむことである。 本稿では,ゾーン間の検出性能を計測する新しいゾーン評価プロトコルを提案する。 初めて数値的な結果が得られ、対象検出器はゾーンにわたって非常に不均一に機能することを示した。
• 参考スコア（独自算出の注目度）: 73.7417954099785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fundamental limitation of object detectors is that they suffer from "spatial bias", and in particular perform less satisfactorily when detecting objects near image borders. For a long time, there has been a lack of effective ways to measure and identify spatial bias, and little is known about where it comes from and what degree it is. To this end, we present a new zone evaluation protocol, extending from the traditional evaluation to a more generalized one, which measures the detection performance over zones, yielding a series of Zone Precisions (ZPs). For the first time, we provide numerical results, showing that the object detectors perform quite unevenly across the zones. Surprisingly, the detector's performance in the 96\% border zone of the image does not reach the AP value (Average Precision, commonly regarded as the average detection performance in the entire image zone). To better understand spatial bias, a series of heuristic experiments are conducted. Our investigation excludes two intuitive conjectures about spatial bias that the object scale and the absolute positions of objects barely influence the spatial bias. We find that the key lies in the human-imperceptible divergence in data patterns between objects in different zones, thus eventually forming a visible performance gap between the zones. With these findings, we finally discuss a future direction for object detection, namely, spatial disequilibrium problem, aiming at pursuing a balanced detection ability over the entire image zone. By broadly evaluating 10 popular object detectors and 5 detection datasets, we shed light on the spatial bias of object detectors. We hope this work could raise a focus on detection robustness. The source codes, evaluation protocols, and tutorials are publicly available at \url{https://github.com/Zzh-tju/ZoneEval}.
• Abstract（参考訳）: 物体検出器の基本的な制限は、それらは「空間バイアス」に悩まされ、特に画像境界付近の物体を検出する場合、満足度が低いことである。 長い間、空間バイアスを計測し識別するための効果的な方法が欠如しており、それがどこから来るのか、その程度についてはほとんど分かっていない。 この目的のために,従来の評価からより一般化した評価へ拡張し,ゾーン上の検出性能を測定し,一連のゾーン精度(ZPs)を出力するゾーン評価プロトコルを提案する。 初めて数値的な結果が得られ、対象検出器がゾーンにわたって不均一に動作することを示す。 驚くべきことに、画像の96\%境界領域における検出器の性能はAP値に達しない(平均精度は画像領域全体の平均検出性能と見なされる)。 空間バイアスをよりよく理解するために、一連のヒューリスティックな実験が行われる。 対象物の大きさと絶対位置が空間バイアスにほとんど影響を与えないという2つの直感的な空間バイアス予想を除外した。 キーとなるのは、異なるゾーン内のオブジェクト間のデータパターンのヒューマン・インセプタブルな発散であり、結果として、ゾーン間のパフォーマンスギャップが顕在化する。 そこで本研究では,対象物検出の今後の方向性,すなわち空間的不均衡問題について検討し,画像領域全体にわたるバランスのとれた検出能力を追求する。 10個の人気物体検出器と5個の検出データセットを広く評価することにより、物体検出器の空間バイアスに光を当てた。 この取り組みが、ロバスト性の検出に焦点を合わせることを願っている。 ソースコード、評価プロトコル、チュートリアルは \url{https://github.com/Zzh-tju/ZoneEval} で公開されている。

関連論文リスト

• Towards Spatial Equilibrium Object Detection [88.9747319572368]
  本稿では,現代物体検出器の空間的不平衡問題について考察する。 本稿では,ゾーンにおける検出性能の測定により,この問題の定量化を提案する。 これは、より一般化された測度を設計する動機となり、空間平衡精度と呼ばれる。
  論文  参考訳（メタデータ） (2023-01-14T17:33:26Z)
• ImpDet: Exploring Implicit Fields for 3D Object Detection [74.63774221984725]
  我々は、境界ボックス回帰を暗黙の関数として見る新しい視点を導入する。 これは、Implicit DetectionまたはImpDetと呼ばれる提案されたフレームワークにつながります。 我々のImpDetは、異なる局所的な3次元空間の点に特定の値を割り当て、高品質な境界を生成することができる。
  論文  参考訳（メタデータ） (2022-03-31T17:52:12Z)
• Focus-and-Detect: A Small Object Detection Framework for Aerial Images [1.911678487931003]
  我々はFocus-and-Detectと呼ばれる2段階のオブジェクト検出フレームワークを提案する。 第1段階は、焦点領域を構成するオブジェクトのクラスタを生成する。 第2段階は対象検出器ネットワークであり、焦点領域内の物体を予測する。 提案した2段階のフレームワークは,VisDrone検証データセットのAPスコアが42.06であることを示す。
  論文  参考訳（メタデータ） (2022-03-24T10:43:56Z)
• Fast Rule-Based Clutter Detection in Automotive Radar Data [10.379073531824456]
  自動車用レーダーセンサーは、多くの不要なクラッタやゴースト検出を出力する。 乱雑な検出は、複数の連続測定でグループや同様の場所で起こる。 このような誤検出を識別する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-27T11:32:50Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Bi-Dimensional Feature Alignment for Cross-Domain Object Detection [71.85594342357815]
  教師なしクロスドメイン検出モデルを提案する。 ソースドメインのアノテーション付きデータを利用して、異なるターゲットドメインに対してオブジェクト検出器をトレーニングする。 提案モデルでは、オブジェクト検出のためのクロスドメイン表現のばらつきを緩和する。
  論文  参考訳（メタデータ） (2020-11-14T03:03:11Z)
• False Detection (Positives and Negatives) in Object Detection [1.0965065178451106]
  本研究では,ラベル付きデータによる偽陽性と負の低減方法を検討する。 このプロセスでは、Openimage 2019 Object Detectionデータセットに不十分なラベル付けも発見された。
  論文  参考訳（メタデータ） (2020-08-16T20:09:05Z)
• SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
  小さくて散らばった物体は実世界では一般的であり、検出は困難である。 本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。 機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
  論文  参考訳（メタデータ） (2020-04-28T06:03:54Z)

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。