論文の概要: Edge Wasserstein Distance Loss for Oriented Object Detection

• arxiv url: http://arxiv.org/abs/2312.07048v1
• Date: Tue, 12 Dec 2023 08:00:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 16:58:42.306783
• Title: Edge Wasserstein Distance Loss for Oriented Object Detection
• Title（参考訳）: オブジェクト指向物体検出のためのエッジワッサースタイン距離損失
• Authors: Yuke Zhu, Yumeng Ruan, Zihua Xiong, Sheng Guo
• Abstract要約: 本稿では,新たな指向性回帰損失,ワッサーシュタイン距離損失(EWD)を提案する。 具体的には、配向ボックス(OBox)表現に対して、確率密度関数がエッジ上のゼロではないような特別に設計された分布を選択する。
• 参考スコア（独自算出の注目度）: 30.63435516524413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regression loss design is an essential topic for oriented object detection. Due to the periodicity of the angle and the ambiguity of width and height definition, traditional L1-distance loss and its variants have been suffered from the metric discontinuity and the square-like problem. As a solution, the distribution based methods show significant advantages by representing oriented boxes as distributions. Differing from exploited the Gaussian distribution to get analytical form of distance measure, we propose a novel oriented regression loss, Wasserstein Distance(EWD) loss, to alleviate the square-like problem. Specifically, for the oriented box(OBox) representation, we choose a specially-designed distribution whose probability density function is only nonzero over the edges. On this basis, we develop Wasserstein distance as the measure. Besides, based on the edge representation of OBox, the EWD loss can be generalized to quadrilateral and polynomial regression scenarios. Experiments on multiple popular datasets and different detectors show the effectiveness of the proposed method.
• Abstract（参考訳）: 回帰損失設計はオブジェクト指向オブジェクト検出に不可欠なトピックである。 角度の周期性と幅と高さの定義のあいまいさにより、従来のL1距離損失とその変異は計量の不連続性と正方形問題に悩まされている。 解として、分布に基づく手法は、向き付けされたボックスを分布として表現することで大きな利点を示す。 ガウス分布を応用して距離測度の解析形式を得るのと異なり,新しい向き付け回帰損失であるwasserstein distance (ewd) 損失を提案し,正方形問題を緩和する。 具体的には、向き付けボックス(obox)表現に対して、確率密度関数がエッジ上の非零である特別に設計された分布を選択する。 このことから,wasserstein距離を指標として発展させる。 さらに、OBoxのエッジ表現に基づいて、EWD損失を4次および多項式回帰シナリオに一般化することができる。 複数の一般的なデータセットと異なる検出器の実験により,提案手法の有効性が示された。

関連論文リスト

• Refined Risk Bounds for Unbounded Losses via Transductive Priors [58.967816314671296]
  線形回帰の逐次変分を2乗損失、ヒンジ損失の分類問題、ロジスティック回帰で再検討する。 我々の鍵となるツールは、慎重に選択された導出先を持つ指数重み付けアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2024-10-29T00:01:04Z)
• Rate-Distortion-Perception Tradeoff Based on the Conditional-Distribution Perception Measure [33.084834042565895]
  本研究では,大きなブロック長の制限下で,メモリレスソースモデルに対するRDPのトレードオフについて検討する。 我々の知覚尺度は、エンコーダ出力に条件付されたソースの分布と再構成シーケンスのばらつきに基づく。
  論文  参考訳（メタデータ） (2024-01-22T18:49:56Z)
• Energy-Based Sliced Wasserstein Distance [47.18652387199418]
  スライスされたワッサーシュタイン(SW)距離の鍵成分はスライス分布である。 本研究では,スライシング分布をパラメータフリーなエネルギーベース分布として設計する。 次に、新しいスライスされたワッセルシュタイン計量、エネルギーベースのスライスされたワッセルシュタイン距離(EBSW)を導出する。
  論文  参考訳（メタデータ） (2023-04-26T14:28:45Z)
• 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)
• MKIoU Loss: Towards Accurate Oriented Object Detection in Aerial Images [0.0]
  修正されたカルマンIoUのSkewIoUの損失は、MkioUと呼ばれる。 提案手法は他のガウス法にも容易に拡張できる。
  論文  参考訳（メタデータ） (2022-06-30T08:17:01Z)
• Optimization for Oriented Object Detection via Representation Invariance Loss [2.501282372971187]
  主流の回転検出器は、回転物体を表すために指向境界ボックス(OBB)または四方境界ボックス(QBB)を使用する。 回転物体に対する境界ボックス回帰を最適化するために,Representation Invariance Loss (RIL)を提案する。 本手法は,リモートセンシングデータセットとシーンテキストデータセットの実験において,一貫性と大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-03-22T07:55:33Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss [111.8807588392563]
  境界不連続性と最終検出基準の不整合性は, 回転検出回帰損失設計のボトルネックとなっている。 本稿では,ガウス・ワッサーシュタイン距離に基づく新しい回帰損失を,この問題に対する基本的なアプローチとして提案する。
  論文  参考訳（メタデータ） (2021-01-28T12:04:35Z)
• Wasserstein Distances for Stereo Disparity Estimation [62.09272563885437]
  既定義の離散値の集合上の分布を出力する、奥行き推定や不均一推定への既存のアプローチ。 これにより、真の深さや差がこれらの値と一致しない場合に、不正確な結果をもたらす。 任意の深さの値を出力できる新しいニューラルネットワークアーキテクチャを用いて、これらの問題に対処する。
  論文  参考訳（メタデータ） (2020-07-06T21:37:50Z)

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。