論文の概要: Bounding Box Stability against Feature Dropout Reflects Detector Generalization across Environments

• arxiv url: http://arxiv.org/abs/2403.13803v1
• Date: Wed, 20 Mar 2024 17:59:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 15:48:57.765104
• Title: Bounding Box Stability against Feature Dropout Reflects Detector Generalization across Environments
• Title（参考訳）: 特徴ドロップアウトに対するボックス安定性のバウンディングは環境全体にわたる検出器の一般化を反映する
• Authors: Yang Yang, Wenhai Wang, Zhe Chen, Jifeng Dai, Liang Zheng,
• Abstract要約: 良い検出器は、位置があまり変化しない有界箱を出力する傾向があり、弱い検出器の有界箱は顕著な位置変化を受ける。 ボックス安定性スコア(BoSスコア)を計算して、この安定性を反映する。 各種試験環境における平均平均精度(mAP)を用いて測定した検出精度とBoSスコアが強い正の相関関係を持つことに寄与する。
• 参考スコア（独自算出の注目度）: 52.65013932553849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bounding boxes uniquely characterize object detection, where a good detector gives accurate bounding boxes of categories of interest. However, in the real-world where test ground truths are not provided, it is non-trivial to find out whether bounding boxes are accurate, thus preventing us from assessing the detector generalization ability. In this work, we find under feature map dropout, good detectors tend to output bounding boxes whose locations do not change much, while bounding boxes of poor detectors will undergo noticeable position changes. We compute the box stability score (BoS score) to reflect this stability. Specifically, given an image, we compute a normal set of bounding boxes and a second set after feature map dropout. To obtain BoS score, we use bipartite matching to find the corresponding boxes between the two sets and compute the average Intersection over Union (IoU) across the entire test set. We contribute to finding that BoS score has a strong, positive correlation with detection accuracy measured by mean average precision (mAP) under various test environments. This relationship allows us to predict the accuracy of detectors on various real-world test sets without accessing test ground truths, verified on canonical detection tasks such as vehicle detection and pedestrian detection. Code and data are available at https://github.com/YangYangGirl/BoS.
• Abstract（参考訳）: 境界ボックスは、適切な検出器が興味のあるカテゴリの正確なバウンディングボックスを与えるオブジェクト検出を特徴付ける。 しかし,テストグラウンドの真理が与えられていない実世界では,境界ボックスが正確かどうかを知ることは容易ではないため,検出器の一般化能力を評価することができない。 この研究では、特徴マップのドロップアウトの下では、良い検出器は位置があまり変化しない有界箱を出力する傾向にあり、弱い検出器の有界箱は顕著な位置変化を受ける。 ボックス安定性スコア(BoSスコア)を計算して、この安定性を反映する。 具体的には、画像が与えられた場合、通常の境界ボックスと特徴写像のドロップアウト後の2番目のセットを計算します。 BoSスコアを得るために、両セット間の対応するボックスを見つけ、テストセット全体にわたって平均的なIoU(Intersection over Union)を計算する。 各種試験環境における平均平均精度(mAP)を用いて測定した検出精度とBoSスコアが強い正の相関関係を持つことに寄与する。 この関係により、車両検出や歩行者検出などの標準的検出タスクで検証された、実世界のさまざまなテストセット上の検出器の精度を、テストグラウンドの真実にアクセスできることなく予測することができる。 コードとデータはhttps://github.com/YangYangGirl/BoS.comで公開されている。

関連論文リスト

• TSBP: Improving Object Detection in Histology Images via Test-time Self-guided Bounding-box Propagation [14.771640666631557]
  オブジェクト検出タスクの最終結果にどのバウンディングボックスを含めるべきかを決定するために、グローバルしきい値(例:0.5)がしばしば適用される。 低い閾値は検出リコールを増加させるが、より多くの偽陽性をもたらす可能性がある。 このため、すべての有界ボックス候補に事前設定された大域しきい値(例:0.5)を用いることで、準最適解が導かれる。
  論文  参考訳（メタデータ） (2024-09-25T07:09:04Z)
• Deployment Prior Injection for Run-time Calibratable Object Detection [58.636806402337776]
  検出器に追加のグラフ入力を導入し、事前にグラフが配置コンテキストを表す。 テストフェーズでは、事前に適切なデプロイメントコンテキストをグラフ編集を通じて検出器に注入することができる。 事前の配置が分かっていない場合でも、検出器は独自の予測を用いて、事前に近似した配置を用いて自己校正を行うことができる。
  論文  参考訳（メタデータ） (2024-02-27T04:56:04Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• ConfMix: Unsupervised Domain Adaptation for Object Detection via Confidence-based Mixing [32.679280923208715]
  オブジェクト検出のための教師なしドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを適用して、アノテーションが利用できない新しいターゲットドメインからインスタンスを検出することを目的としている。 適応型物体検出学習のための領域レベルの検出信頼度に基づくサンプル混合戦略を初めて導入するConfMixを提案する。
  論文  参考訳（メタデータ） (2022-10-20T19:16:39Z)
• Dynamic Label Assignment for Object Detection by Combining Predicted and Anchor IoUs [20.41563386339572]
  本稿では,予測付きトレーニング状況に基づいてラベル割り当てを動的に行うための,シンプルで効果的な手法を提案する。 本手法は,適応ラベル代入アルゴリズムによる検出モデルの性能改善を示す。
  論文  参考訳（メタデータ） (2022-01-23T23:14:07Z)
• Reference-based Defect Detection Network [57.89399576743665]
  最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。 第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。 本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
  論文  参考訳（メタデータ） (2021-08-10T05:44:23Z)
• Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
  本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。 また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
  論文  参考訳（メタデータ） (2021-05-07T09:37:06Z)
• Box Re-Ranking: Unsupervised False Positive Suppression for Domain Adaptive Pedestrian Detection [70.25977409196449]
  偽陽性は、ドメイン適応型歩行者検出において、ドメインシフトによって引き起こされる最も深刻な問題の1つである。 我々は偽陽性抑圧問題をエレガントにボックス再ランク問題に変換する。 正の正の差分検出を継続することを目的として,ボックス数アライメントを提案する。
  論文  参考訳（メタデータ） (2021-02-01T02:31:11Z)
• Labels Are Not Perfect: Inferring Spatial Uncertainty in Object Detection [26.008419879970365]
  本研究では,生成モデルに基づいて,lidar point cloudのバウンディングボックスラベルの不確かさを推定する。 包括的実験により,提案モデルはライダー知覚とラベル品質の複雑な環境雑音を反映していることがわかった。 ラベルの不確実性を組み込んだ新しい評価指標としてJaccard IoUを提案する。
  論文  参考訳（メタデータ） (2020-12-18T09:11:44Z)

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。