論文の概要: Focaler-IoU: More Focused Intersection over Union Loss
- arxiv url: http://arxiv.org/abs/2401.10525v1
- Date: Fri, 19 Jan 2024 07:01:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 16:45:03.161783
- Title: Focaler-IoU: More Focused Intersection over Union Loss
- Title(参考訳): 独Focaler-IoU:「ユニオン・ロス」に注目
- Authors: Hao Zhang, Shuaijie Zhang
- Abstract要約: 境界ボックスの回帰は、オブジェクト検出の分野において重要な役割を果たす。
困難で簡単なサンプル分布が回帰結果に与える影響を解析した。
我々は,異なる検出タスクにおける検出性能を向上させるFocaler-IoUを提案する。
- 参考スコア(独自算出の注目度): 5.8666339171606445
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bounding box regression plays a crucial role in the field of object
detection, and the positioning accuracy of object detection largely depends on
the loss function of bounding box regression. Existing researchs improve
regression performance by utilizing the geometric relationship between bounding
boxes, while ignoring the impact of difficult and easy sample distribution on
bounding box regression. In this article, we analyzed the impact of difficult
and easy sample distribution on regression results, and then proposed
Focaler-IoU, which can improve detector performance in different detection
tasks by focusing on different regression samples. Finally, comparative
experiments were conducted using existing advanced detectors and regression
methods for different detection tasks, and the detection performance was
further improved by using the method proposed in this paper.Code is available
at \url{https://github.com/malagoutou/Focaler-IoU}.
- Abstract(参考訳): 境界箱回帰は物体検出の分野において重要な役割を担い、物体検出の位置決め精度は境界箱回帰の損失関数に大きく依存する。
既往の研究は, 境界ボックス間の幾何学的関係を生かし, 困難かつ簡単なサンプル分布が境界ボックスの回帰に与える影響を無視して, 回帰性能を向上させる。
本稿では, 困難で簡単な試料分布が回帰結果に与える影響を解析し, 異なる回帰サンプルに着目し, 異なる検出タスクにおける検出性能を向上させるFocaler-IoUを提案する。
最後に, 既存の高度検出器と回帰法を用いて, 異なる検出タスクに対して比較実験を行い, 本論文で提案する手法を用いて検出性能をさらに向上させた。
関連論文リスト
- Frugal Actor-Critic: Sample Efficient Off-Policy Deep Reinforcement
Learning Using Unique Experiences [8.983448736644382]
リプレイバッファの効率的な利用は、非政治アクター-犯罪強化学習(RL)アルゴリズムにおいて重要な役割を担っている。
本稿では,ユニークなサンプルを選択してリプレイバッファに追加することに焦点を当てた,サンプル効率を実現する手法を提案する。
論文 参考訳(メタデータ) (2024-02-05T10:04:00Z) - Inner-IoU: More Effective Intersection over Union Loss with Auxiliary
Bounding Box [10.03001043843768]
補助的バウンディングボックスを通してIoU損失を算出する内IoU損失を提案する。
異なるデータセットや検出器に対して、補助境界ボックスのスケールサイズを制御するためのスケーリング係数比を導入する。
最後に、シミュレーションと比較実験のために既存のIoUベースの損失関数にInner-IoUを統合する。
論文 参考訳(メタデータ) (2023-11-06T05:14:24Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-08-18T13:13:09Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-06T14:49:59Z) - Sample Dropout: A Simple yet Effective Variance Reduction Technique in
Deep Policy Optimization [18.627233013208834]
重要度サンプリングを用いることで, 目的推定値に高いばらつきが生じる可能性が示唆された。
そこで本研究では, サンプルの偏差が高すぎる場合に, サンプルをドロップアウトすることで, 推定分散を束縛する, サンプルドロップアウトと呼ばれる手法を提案する。
論文 参考訳(メタデータ) (2023-02-05T04:44:35Z) - SIoU Loss: More Powerful Learning for Bounding Box Regression [0.0]
損失関数SIoUが提案され、所望の回帰のベクトルの角度を考慮してペナルティ指標が再定義された。
従来のニューラルネットワークやデータセットに適用すると、SIoUはトレーニングの速度と推論の精度の両方を改善する。
論文 参考訳(メタデータ) (2022-05-25T12:46:21Z) - ReDFeat: Recoupling Detection and Description for Multimodal Feature
Learning [51.07496081296863]
我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。
本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。
我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
論文 参考訳(メタデータ) (2022-05-16T04:24:22Z) - 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) - Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。
FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。
MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文 参考訳(メタデータ) (2020-07-18T09:48:29Z) - Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。
サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。
サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
論文 参考訳(メタデータ) (2020-06-11T16:19:16Z)
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。