論文の概要: Accelerating Non-Maximum Suppression: A Graph Theory Perspective
- arxiv url: http://arxiv.org/abs/2409.20520v1
- Date: Mon, 30 Sep 2024 17:20:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-02 02:20:11.670906
- Title: Accelerating Non-Maximum Suppression: A Graph Theory Perspective
- Title（参考訳）: 非最大圧縮の高速化:グラフ理論の観点から
- Authors: King-Siong Si, Lu Sun, Weizhan Zhang, Tieliang Gong, Jiahao Wang, Jiang Liu, Hao Sun,
- Abstract要約: 非最大抑圧(NMS)は、オブジェクト検出において必要不可欠な後処理ステップである。
本稿では,NMSをグラフ理論の観点から初めて体系的に解析し,その固有構造を明らかにする。
NMS-Benchは,様々なNMS手法を包括的に評価する最初のベンチマークである。
- 参考スコア（独自算出の注目度）: 24.34791528442417
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Non-maximum suppression (NMS) is an indispensable post-processing step in object detection. With the continuous optimization of network models, NMS has become the ``last mile'' to enhance the efficiency of object detection. This paper systematically analyzes NMS from a graph theory perspective for the first time, revealing its intrinsic structure. Consequently, we propose two optimization methods, namely QSI-NMS and BOE-NMS. The former is a fast recursive divide-and-conquer algorithm with negligible mAP loss, and its extended version (eQSI-NMS) achieves optimal complexity of $\mathcal{O}(n\log n)$. The latter, concentrating on the locality of NMS, achieves an optimization at a constant level without an mAP loss penalty. Moreover, to facilitate rapid evaluation of NMS methods for researchers, we introduce NMS-Bench, the first benchmark designed to comprehensively assess various NMS methods. Taking the YOLOv8-N model on MS COCO 2017 as the benchmark setup, our method QSI-NMS provides $6.2\times$ speed of original NMS on the benchmark, with a $0.1\%$ decrease in mAP. The optimal eQSI-NMS, with only a $0.3\%$ mAP decrease, achieves $10.7\times$ speed. Meanwhile, BOE-NMS exhibits $5.1\times$ speed with no compromise in mAP.
- Abstract（参考訳）: 非最大抑圧(NMS)は、オブジェクト検出において必要不可欠な後処理ステップである。
ネットワークモデルの継続的な最適化により、NMSはオブジェクト検出の効率を高めるために `last mile' となった。
本稿では,NMSをグラフ理論の観点から初めて体系的に解析し,その固有構造を明らかにする。
そこで本研究では,QSI-NMSとBOE-NMSの2つの最適化手法を提案する。
前者は、無視可能なmAP損失を持つ高速再帰的分割変換アルゴリズムであり、その拡張版(eQSI-NMS)は$\mathcal{O}(n\log n)$の最適複雑性を達成する。
後者はNMSの局所性に集中しており、mAP損失ペナルティのない一定レベルの最適化を実現する。
さらに,NMS法を研究者に迅速に評価するために,NMS法を総合的に評価する最初のベンチマークであるNMS-Benchを導入する。
ベンチマーク設定としてMS COCO 2017のYOLOv8-Nモデルを用いて、我々の方法であるQSI-NMSは、ベンチマークでオリジナルのNMSの6.2\times$スピードを提供し、mAPが0.1\%$ダウンする。
最適 eQSI-NMS は 0.3 %$ mAP しか減少せず,10.7 倍の速度を実現している。
一方、BOE-NMSはmAPに妥協することなく5.1\times$の速度を示した。
関連論文リスト
- Entanglement Distribution Delay Optimization in Quantum Networks with Distillation [51.53291671169632]
量子ネットワーク(QN)は、分散量子コンピューティングとセンシングアプリケーションを実現するために絡み合った状態を分散する。
QSリソース割り当てフレームワークは、エンド・ツー・エンド(e2e)の忠実度を高め、最小レートと忠実度を満たすために提案される。
論文 参考訳（メタデータ） (2024-05-15T02:04:22Z) - Improved Optimization for the Neural-network Quantum States and Tests on the Chromium Dimer [11.985673663540688]
ニューラルネットワーク量子状態(NQS)は、かなり高度な波動関数アンザッツ研究を持っている。
この研究は、NQSを用いたVMC最適化の計算要求を減らすために、3つのアルゴリズム拡張を導入する。
論文 参考訳（メタデータ） (2024-04-14T15:07:57Z) - A Specialized Semismooth Newton Method for Kernel-Based Optimal
Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。
SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文 参考訳（メタデータ） (2023-10-21T18:48:45Z) - SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。
各ブロックの推測は最適化の単一イテレーションに対応することを示す。
実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
論文 参考訳（メタデータ） (2022-05-26T08:17:39Z) - NMS-Loss: Learning with Non-Maximum Suppression for Crowded Pedestrian
Detection [39.417540296897194]
ネットワークパラメータを追加せずにNMSプロシージャをエンドツーエンドにトレーニングできる新しいNMS-Lossを提案する。
我々のNMS-ロスは、FPが抑制されず、FNがNMSによって誤って排除された2つの症例を罰する。
NMS-Lossの助けを借りて、我々の検出器、すなわちNMS-Pedは、CityPersonsデータセットで5.92%、CityPersonsデータセットで10.08%のミスレートで印象的な結果を得る。
論文 参考訳（メタデータ） (2021-06-04T12:06:46Z) - PSRR-MaxpoolNMS: Pyramid Shifted MaxpoolNMS with Relationship Recovery [17.704037442897004]
非最大抑圧(NMS)は、オブジェクト検出のための現代の畳み込みニューラルネットワークにおいて、重要な後処理ステップである。
NMSのデファクト標準、すなわちGreedyNMSは容易に並列化できない。
MaxpoolNMSはGreedyNMSの並列化可能な代替として導入された。
論文 参考訳（メタデータ） (2021-05-27T08:24:21Z) - Positive-Negative Momentum: Manipulating Stochastic Gradient Noise to
Improve Generalization [89.7882166459412]
勾配雑音(SGN)は、ディープラーニングの暗黙の正規化として機能する。
深層学習を改善するためにランダムノイズを注入してSGNを人工的にシミュレートしようとした作品もある。
低計算コストでSGNをシミュレーションし、学習率やバッチサイズを変更することなく、PNM(Positive-Negative Momentum)アプローチを提案する。
論文 参考訳（メタデータ） (2021-03-31T16:08:06Z) - Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。
より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。
SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
論文 参考訳（メタデータ） (2021-03-02T12:47:40Z) - End-to-End Object Detection with Fully Convolutional Network [71.56728221604158]
エンドツーエンド検出を実現するために,分類のための予測対応ワン・ツー・ワン (POTO) ラベルの割り当てを導入する。
局所領域における畳み込みの判別性を向上させるために, 簡易な3次元maxフィルタ(3dmf)を提案する。
エンドツーエンドのフレームワークは,COCOおよびCrowdHumanデータセット上のNMSを用いて,最先端の多くの検出器と競合する性能を実現する。
論文 参考訳（メタデータ） (2020-12-07T09:14:55Z) - ASAP-NMS: Accelerating Non-Maximum Suppression Using Spatially Aware
Priors [26.835571059909007]
非最大抑圧(Non Maximum Suppression、またはGreedy-NMS)は、オブジェクト検出パイプラインにとって重要なモジュールである。
2段/複数段検出器の領域提案段階において、NMSはそのシーケンシャルな性質から遅延ボトルネックであることが判明した。
我々は、最先端の2段検出器の精度を犠牲にすることなく、CPU上でのNMSステップのレイテンシを13.6msから1.2msに改善するためにASAP-NMSを使用する。
論文 参考訳（メタデータ） (2020-07-19T21:15:48Z) - Visibility Guided NMS: Efficient Boosting of Amodal Object Detection in
Crowded Traffic Scenes [7.998326245039892]
現代の2Dオブジェクト検出フレームワークは、NMS(Non-Maximum-Suppression)を使用して洗練されたオブジェクトごとの複数のバウンディングボックスを予測し、1つのバウンディングボックスを除くすべてのバウンディングボックスを抑圧する。
我々の新しいVisibility Guided NMS(vg-NMS)は、ピクセルベースとアモーダルオブジェクト検出パラダイムの両方を活用し、特に計算オーバーヘッドの少ない高いオブジェクトに対して検出性能を向上させる。
我々は、KITTI、VIPER、Synscapesデータセットを用いてvg-NMSを評価し、現在の最先端NMSよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-15T17:03:23Z)
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。