Fugu-MT 論文翻訳(概要): NIV-SSD: Neighbor IoU-Voting Single-Stage Object Detector From Point Cloud

論文の概要: NIV-SSD: Neighbor IoU-Voting Single-Stage Object Detector From Point Cloud

arxiv url: http://arxiv.org/abs/2401.12447v1
Date: Tue, 23 Jan 2024 02:25:23 GMT
ステータス: 処理完了
システム内更新日: 2024-01-24 17:21:35.152611
Title: NIV-SSD: Neighbor IoU-Voting Single-Stage Object Detector From Point Cloud
Title（参考訳）: niv-ssd: 近接するiou-voting単段物体検出器
Authors: Shuai Liu, Di Wang, Quan Wang, Kai Huang
Abstract要約: 以前の単段検出器は典型的には、位置決め精度と分類精度の相違に悩まされる。近隣のIoU-voting(NIV)戦略という新しい補正手法を導入する。そこで本研究では,オブジェクト再サンプリングというデータ拡張手法を提案する。
参考スコア（独自算出の注目度）: 17.134983202997034
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Previous single-stage detectors typically suffer the misalignment between localization accuracy and classification confidence. To solve the misalignment problem, we introduce a novel rectification method named neighbor IoU-voting (NIV) strategy. Typically, classification and regression are treated as separate branches, making it challenging to establish a connection between them. Consequently, the classification confidence cannot accurately reflect the regression quality. NIV strategy can serve as a bridge between classification and regression branches by calculating two types of statistical data from the regression output to correct the classification confidence. Furthermore, to alleviate the imbalance of detection accuracy for complete objects with dense points (easy objects) and incomplete objects with sparse points (difficult objects), we propose a new data augmentation scheme named object resampling. It undersamples easy objects and oversamples difficult objects by randomly transforming part of easy objects into difficult objects. Finally, combining the NIV strategy and object resampling augmentation, we design an efficient single-stage detector termed NIV-SSD. Extensive experiments on several datasets indicate the effectiveness of the NIV strategy and the competitive performance of the NIV-SSD detector. The code will be available at https://github.com/Say2L/NIV-SSD.
Abstract（参考訳）: 従来の単段検出器は、通常、位置推定精度と分類信頼度の不一致に苦しむ。そこで本研究では,近隣のIoU-voting(NIV)戦略という新たな補正手法を提案する。通常、分類と回帰は別々の分岐として扱われ、それらの間の接続を確立することは困難である。これにより、分類信頼度は回帰品質を正確に反映できない。 niv戦略は、回帰出力から2種類の統計データを計算して分類信頼度を補正することにより、分類と回帰分岐の橋渡しとなる。さらに,密度の高い点(やさしい物体)とスパース点(拡散する物体)を持つ不完全物体に対する検出精度の不均衡を緩和するために,オブジェクト再サンプリングという新しいデータ拡張方式を提案する。簡単なオブジェクトをサンプリングし、簡単なオブジェクトの一部をランダムに難しいオブジェクトに変換することで、難しいオブジェクトをオーバーサンプリングする。最後に、NIV戦略とオブジェクト再サンプリング強化を組み合わせることで、NIV-SSDと呼ばれる効率的な単一ステージ検出器を設計する。いくつかのデータセットに対する大規模な実験は、NIV戦略の有効性とNIV-SSD検出器の競合性能を示している。コードはhttps://github.com/Say2L/NIV-SSDで入手できる。

関連論文リスト

Similarity Distance-Based Label Assignment for Tiny Object Detection [17.059514012235354]
そこで我々は,SimD(Simisity Distance)と呼ばれるシンプルだが効果的な戦略を導入し,ボックス間の類似性を評価する。我々のアプローチは、ラベル割り当てやNon Maximum Suppression(NMS)のためのIoUの代わりに、一般的なアンカーベース検出器に適用できる。 4つの主流となる小型物体検出データセットの実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2024-07-02T16:12:37Z)
Better Sampling, towards Better End-to-end Small Object Detection [7.7473020808686694]
限られた特性と高密度と相互重なり合いのため、小さな物体検出は不満足なままである。エンド・ツー・エンド・フレームワークにおけるサンプリングの強化手法を提案する。我々のモデルは、VisDroneデータセット上での最先端(SOTA)よりも平均精度(AP)が2.9%向上することを示す。
論文参考訳（メタデータ） (2024-05-17T04:37:44Z)
Find n' Propagate: Open-Vocabulary 3D Object Detection in Urban Environments [67.83787474506073]
我々は,現在のLiDARに基づく3Dオブジェクト検出システムの限界に対処する。本稿では,3次元OVタスクに対する汎用textscFind n' Propagate アプローチを提案する。我々は、新しいオブジェクトクラスに対する平均精度(AP)を最大3.97倍に向上させる。
論文参考訳（メタデータ） (2024-03-20T12:51:30Z)
SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文参考訳（メタデータ） (2024-03-08T16:14:54Z)
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)
Anchor Retouching via Model Interaction for Robust Object Detection in Aerial Images [15.404024559652534]
本稿では,新しいトレーニングサンプルジェネレータを構築するために,動的拡張アンカー(DEA)ネットワークを提案する。提案手法は,適度な推論速度とトレーニングの計算オーバーヘッドを伴って,最先端の性能を精度良く達成する。
論文参考訳（メタデータ） (2021-12-13T14:37:20Z)
CIA-SSD: Confident IoU-Aware Single-Stage Object Detector From Point Cloud [40.871850077528485]
我々は、CIA-SSD(Confident IoU-Aware Single-Stage Object Detector)と呼ばれる新しい単段検出器を提案する。 CIA-SSDは、境界ボックスの正確な予測と分類信頼性のために、高レベルの抽象的特徴と低レベルの空間的特徴を適応的に融合する。公式ランキングでトップパフォーマンスを記録し、32 FPSの推論速度を上回ります。
論文参考訳（メタデータ） (2020-12-05T12:00:08Z)
Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文参考訳（メタデータ） (2020-07-17T15:41:37Z)
Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
本稿では,2段階の逐次回帰トラッカーを提案する。第1段階では, 容易に同定可能な負の候補を抽出する。第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
論文参考訳（メタデータ） (2020-06-18T07:48:01Z)
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)
Seeing without Looking: Contextual Rescoring of Object Detections for AP Maximization [4.346179456029563]
任意の検出器の出力を後処理することで、コンテキストをオブジェクト検出に組み込むことを提案する。再現は、検出の集合全体からコンテキスト情報を条件付けすることで行われる。検出信頼度を簡易に再割り当てすることでAPを改善できることを示す。
論文参考訳（メタデータ） (2019-12-27T18:56:29Z)

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。