論文の概要: Class Imbalance in Object Detection: An Experimental Diagnosis and Study
of Mitigation Strategies
- arxiv url: http://arxiv.org/abs/2403.07113v1
- Date: Mon, 11 Mar 2024 19:06:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 23:42:07.686111
- Title: Class Imbalance in Object Detection: An Experimental Diagnosis and Study
of Mitigation Strategies
- Title（参考訳）: 物体検出におけるクラス不均衡:実験的診断と緩和戦略の検討
- Authors: Nieves Crasto
- Abstract要約: 本研究は, YOLOv5単段検出器を用いて, 前地上クラス不均衡問題に対処するベンチマークフレームワークを提案する。
我々は,サンプリング,損失重み付け,データ強化という3つの確立した手法を精査した。
比較分析の結果,2段階検出法では有効であるが,YOLOv5の性能向上には有効ではないことが明らかとなった。
- 参考スコア（独自算出の注目度）: 0.5439020425818999
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object detection, a pivotal task in computer vision, is frequently hindered
by dataset imbalances, particularly the under-explored issue of
foreground-foreground class imbalance. This lack of attention to
foreground-foreground class imbalance becomes even more pronounced in the
context of single-stage detectors. This study introduces a benchmarking
framework utilizing the YOLOv5 single-stage detector to address the problem of
foreground-foreground class imbalance. We crafted a novel 10-class long-tailed
dataset from the COCO dataset, termed COCO-ZIPF, tailored to reflect common
real-world detection scenarios with a limited number of object classes. Against
this backdrop, we scrutinized three established techniques: sampling, loss
weighing, and data augmentation. Our comparative analysis reveals that sampling
and loss reweighing methods, while shown to be beneficial in two-stage detector
settings, do not translate as effectively in improving YOLOv5's performance on
the COCO-ZIPF dataset. On the other hand, data augmentation methods,
specifically mosaic and mixup, significantly enhance the model's mean Average
Precision (mAP), by introducing more variability and complexity into the
training data. (Code available:
https://github.com/craston/object_detection_cib)
- Abstract（参考訳）: コンピュータビジョンにおける重要なタスクであるオブジェクト検出は、データセットの不均衡、特に前景と前景のクラス不均衡の問題によってしばしば妨げられる。
この前地上階級の不均衡への注意の欠如は、単段検出器の文脈でさらに顕著になる。
本研究では, YOLOv5単段検出器を用いた地表面不均衡問題に対するベンチマークフレームワークを提案する。
我々はCOCOデータセットから,COCO-ZIPFと呼ばれる新しい10クラスの長い尾を持つデータセットを構築した。
このような背景から,サンプリング,損失重み付け,データ拡張という3つの確立した手法を精査した。
比較分析により,COCO-ZIPFデータセット上でのYOLOv5の性能向上に有効なサンプリングと損失リウィーリング法が有用であることが示された。
一方、データ拡張手法、特にモザイクとミックスアップは、トレーニングデータによりばらつきと複雑さを導入することで、モデルの平均精度(map)を大幅に向上させる。
(コードはhttps://github.com/craston/object_detection_cib)
関連論文リスト
- Gradient-based Sampling for Class Imbalanced Semi-supervised Object Detection [111.0991686509715]
半教師付き物体検出(SSOD)におけるクラス不均衡問題を,より困難なシナリオ下で検討する。
本稿では,2種類の確認バイアスの観点から,クラス不均衡問題に対処する,単純かつ効果的な勾配に基づくサンプリングフレームワークを提案する。
提案手法は,MS-COCO,MS-COCO,Object365,LVISの3種類のサブタスクにおいて,現行の非平衡物体検出器よりもクリアマージンの方が優れていることを示す。
論文 参考訳（メタデータ） (2024-03-22T11:30:10Z) - Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Comparing Importance Sampling Based Methods for Mitigating the Effect of
Class Imbalance [0.0]
我々は,損失再加重,アンダーサンプリング,オーバーサンプリングという,重要なサンプリングから導かれる3つのテクニックを比較した。
アンダーサンプリングにおける損失の重み付けは、アンダー表現されたクラスの性能に悪影響を及ぼすことがわかった。
我々の発見は、プラネタリーデータセットに何らかの冗長性が存在することも示唆している。
論文 参考訳（メタデータ） (2024-02-28T22:52:27Z) - Building Manufacturing Deep Learning Models with Minimal and Imbalanced
Training Data Using Domain Adaptation and Data Augmentation [15.333573151694576]
本稿では,目標学習課題に対するラベル付き学習データ不足の問題に対処する新しいドメイン適応(DA)手法を提案する。
我々のアプローチは、ソースデータセットとターゲット学習タスクで利用可能なデータセットが同一または異なる機能空間を持つシナリオで機能する。
我々は、ウェハ欠陥予測のための画像データを用いて、組み合わせたアプローチを評価する。
論文 参考訳（メタデータ） (2023-05-31T21:45:34Z) - FewSOME: One-Class Few Shot Anomaly Detection with Siamese Networks [0.5735035463793008]
FewSOME (Few Shot anOMaly Detection) は深層一級異常検出アルゴリズムであり、異常を正確に検出できる。
FewSOMEは、Siamese Networksをベースとしたアーキテクチャで事前訓練されたウェイトによって支援されている。
我々の実験は、ベンチマークデータセット上でFewSOMEのパフォーマンスを最先端レベルで実証した。
論文 参考訳（メタデータ） (2023-01-17T15:32:34Z) - Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。
実験結果から,これらの手法が直面する課題を分析した。
本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
論文 参考訳（メタデータ） (2022-03-23T07:33:37Z) - How Sensitive are Meta-Learners to Dataset Imbalance? [13.60699610822265]
ML手法はタスクレベルでの不均衡よりもメタデータセットの不均衡に対して堅牢であることを示す。
これらの結果は、データセットの不均衡とドメインシフトの下で一般化可能な特徴を学習できるMLアルゴリズムの暗黙的な強みを強調している。
論文 参考訳（メタデータ） (2021-04-12T10:47:42Z) - Deep F-measure Maximization for End-to-End Speech Understanding [52.36496114728355]
本稿では,F測度に対する微分可能な近似法を提案し,標準バックプロパゲーションを用いてネットワークをトレーニングする。
我々は、アダルト、コミュニティ、犯罪の2つの標準フェアネスデータセットの実験を行い、ATISデータセットの音声・インテリジェンス検出と音声・COCOデータセットの音声・イメージ概念分類を行った。
これらの4つのタスクのすべてにおいて、F測定は、クロスエントロピー損失関数で訓練されたモデルと比較して、最大8%の絶対的な絶対的な改善を含む、マイクロF1スコアの改善をもたらす。
論文 参考訳（メタデータ） (2020-08-08T03:02:27Z) - Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。
私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
論文 参考訳（メタデータ） (2020-04-07T20:57:44Z) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳（メタデータ） (2020-01-06T13:37:51Z)
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。