論文の概要: From COCO to COCO-FP: A Deep Dive into Background False Positives for COCO Detectors
- arxiv url: http://arxiv.org/abs/2409.07907v1
- Date: Thu, 12 Sep 2024 10:22:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 16:58:31.291932
- Title: From COCO to COCO-FP: A Deep Dive into Background False Positives for COCO Detectors
- Title(参考訳): COCOからCOCO-FPへ:COCO検出器のバックグラウンド偽陽性
- Authors: Longfei Liu, Wen Guo, Shihua Huang, Cheng Li, Xi Shen,
- Abstract要約: 火災や煙の検知における誤報は、現実世界の応用において重要である。
COCO-FPはImageNet-1Kデータセットから派生した新しい評価データセットである。
標準および高度な物体検出器の評価は、クローズドセットとオープンセットの両方のシナリオにおいて、かなりの数の偽陽性を示す。
- 参考スコア(独自算出の注目度): 8.3561487803637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reducing false positives is essential for enhancing object detector performance, as reflected in the mean Average Precision (mAP) metric. Although object detectors have achieved notable improvements and high mAP scores on the COCO dataset, analysis reveals limited progress in addressing false positives caused by non-target visual clutter-background objects not included in the annotated categories. This issue is particularly critical in real-world applications, such as fire and smoke detection, where minimizing false alarms is crucial. In this study, we introduce COCO-FP, a new evaluation dataset derived from the ImageNet-1K dataset, designed to address this issue. By extending the original COCO validation dataset, COCO-FP specifically assesses object detectors' performance in mitigating background false positives. Our evaluation of both standard and advanced object detectors shows a significant number of false positives in both closed-set and open-set scenarios. For example, the AP50 metric for YOLOv9-E decreases from 72.8 to 65.7 when shifting from COCO to COCO-FP. The dataset is available at https://github.com/COCO-FP/COCO-FP.
- Abstract(参考訳): 偽陽性の低減は、平均精度(mAP)測定値に反映されるように、対象検出器の性能向上に不可欠である。
オブジェクト検出器はCOCOデータセットにおいて顕著な改善と高いmAPスコアを達成しているが,非ターゲットの視覚的クラッタ背景オブジェクトがアノテートされたカテゴリに含まれないことによって生じる偽陽性に対処する過程は限定的に進行している。
この問題は、火災や煙の検知といった現実世界の応用において特に重要であり、誤報を最小限に抑えることが重要である。
本研究では,この問題を解決するために,ImageNet-1Kデータセットから得られた新しい評価データセットであるCOCO-FPを紹介する。
元のCOCO検証データセットを拡張することで、COCO-FPは、背景の偽陽性を緩和するオブジェクト検出器のパフォーマンスを特に評価する。
標準および高度な物体検出器の評価は、クローズドセットとオープンセットの両方のシナリオにおいて、かなりの数の偽陽性を示す。
例えば、YOLOv9-EのAP50測定値は、COCOからCOCO-FPに移行すると72.8から65.7に減少する。
データセットはhttps://github.com/COCO-FP/COCO-FPで公開されている。
関連論文リスト
- 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) - Benchmarking Object Detectors with COCO: A New Path Forward [26.754253266204184]
Common Objects in Context (COCO)データセットは、過去10年にわたってオブジェクト検出器のベンチマークに役立っている。
高ラベルモデルが出現すると、COCOのこれらのエラーが、オブジェクト検出器を確実にベンチマークする上で、その有用性を妨げているかどうかを問う。
我々は,不正確なマスク境界,非排他的アノテーション付インスタンス,誤動作マスクなど,さまざまなタイプのエラーを明らかにする。
論文 参考訳(メタデータ) (2024-03-27T17:59:53Z) - Class Imbalance in Object Detection: An Experimental Diagnosis and Study
of Mitigation Strategies [0.5439020425818999]
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。
論文 参考訳(メタデータ) (2024-03-11T19:06:04Z) - COCO-O: A Benchmark for Object Detectors under Natural Distribution
Shifts [27.406639379618003]
COCO-Oは、COCOに基づく6種類の自然分布シフトに基づくテストデータセットである。
COCO-Oはトレーニングデータと大きな分散ギャップを持ち、より高速なR-CNN検出器で55.7%の性能低下をもたらす。
本稿では,検出器のアーキテクチャ設計,拡張および事前学習技術の最近のブレークスルーに対するロバスト性効果について検討する。
論文 参考訳(メタデータ) (2023-07-24T12:22:19Z) - Co-Salient Object Detection with Co-Representation Purification [80.2644026634024]
Co-Salient Object Detection (Co-SOD) は、関連画像のグループ内の共通オブジェクトを発見することを目的としている。
現在のCo-SOD法では、コサリアンオブジェクトに関連のない情報がコレギュレーションに含まれるほど、十分な注意を払わない。
雑音のない共表現を探索するCoRP法を提案する。
論文 参考訳(メタデータ) (2023-03-14T07:23:27Z) - Object Localization under Single Coarse Point Supervision [107.46800858130658]
本稿では,粗い点アノテーションを用いたPOL手法を提案する。
CPRは、ポイントバッグを構築し、セマンティック関連点を選択し、マルチインスタンス学習(MIL)を通してセマンティックセンターポイントを生成する。
このようにして、CPRは、粗い点監督の下で高性能オブジェクトローカライザのトレーニングを保証する、弱い制御された進化手順を定義する。
論文 参考訳(メタデータ) (2022-03-17T14:14:11Z) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳(メタデータ) (2021-05-21T11:58:50Z) - Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。
このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。
我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
論文 参考訳(メタデータ) (2020-03-20T09:48:53Z) - Learning Delicate Local Representations for Multi-Person Pose Estimation [77.53144055780423]
我々はResidual Steps Network (RSN) と呼ばれる新しい手法を提案する。
RSNは同じ空間サイズ(イントラレベルの特徴)の機能を効率よく集約し、微妙な局所表現を得る。
当社のアプローチは,COCO Keypoint Challenge 2019で第1位を獲得しました。
論文 参考訳(メタデータ) (2020-03-09T10:40:49Z) - Solving Missing-Annotation Object Detection with Background
Recalibration Loss [49.42997894751021]
本稿では,新しい,かつ困難な検出シナリオに焦点を当てる。 真のオブジェクト/インスタンスの大部分は,データセットにラベル付けされていない。
従来, ソフトサンプリングを用いて, 正の例と重なり合うRoIsの勾配を再重み付けする手法が提案されてきた。
本稿では、予め定義されたIoU閾値と入力画像に基づいて損失信号を自動的に校正できる、バックグラウンド校正損失(BRL)と呼ばれる優れた解を提案する。
論文 参考訳(メタデータ) (2020-02-12T23:11:46Z)
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。