論文の概要: Unbiased Regression Loss for DETRs

• arxiv url: http://arxiv.org/abs/2410.22638v1
• Date: Wed, 30 Oct 2024 02:05:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:27:47.618440
• Title: Unbiased Regression Loss for DETRs
• Title（参考訳）: DETRの非バイアス回帰損失
• Authors: Edric, Ueta Daisuke, Kurokawa Yukimasa, Karlekar Jayashree, Sugiri Pranata,
• Abstract要約: 我々は、DETRベースの検出器に対して、新しい非バイアス回帰損失を導入する。 提案された新たなアンバイアスド・ロスは、Sized $L_1$ lossと呼ばれ、各ボックスの幅と高さに基づいて、すべてのボックスのサイズを正規化している。 本実験は,完全教師付き設定と半教師付き設定の両方において一貫した改善を示す。
• 参考スコア（独自算出の注目度）: 1.3447438365342246
• License:
• Abstract: In this paper, we introduce a novel unbiased regression loss for DETR-based detectors. The conventional $L_{1}$ regression loss tends to bias towards larger boxes, as they disproportionately contribute more towards the overall loss compared to smaller boxes. Consequently, the detection performance for small objects suffers. To alleviate this bias, the proposed new unbiased loss, termed Sized $L_{1}$ loss, normalizes the size of all boxes based on their individual width and height. Our experiments demonstrate consistent improvements in both fully-supervised and semi-supervised settings using the MS-COCO benchmark dataset.
• Abstract（参考訳）: 本稿では,DETR型検出器の非バイアス回帰損失について紹介する。 従来の$L_{1}$レグレッション損失は、より小さなボックスに比べて全体的な損失に対して不均等に寄与するため、より大きなボックスに偏っている傾向にある。 これにより、小型物体の検出性能が低下する。 このバイアスを軽減するため、Sized $L_{1}$ lossと呼ばれる新しいバイアスのない損失が提案され、個々の幅と高さに基づいてすべてのボックスのサイズを正規化している。 実験では,MS-COCOベンチマークデータセットを用いて,完全教師付き設定と半教師付き設定の整合性を実証した。

関連論文リスト

• Optimal Bias-Correction and Valid Inference in High-Dimensional Ridge Regression: A Closed-Form Solution [0.0]
  寸法$p$がサンプルサイズ$n$より小さい場合、バイアスを効果的に補正するための反復戦略を導入する。 p>n$の場合、提案した非バイアス推定器の残余バイアスが到達不能であるようなバイアスを最適に緩和する。 本手法は,様々な分野にわたるリッジ回帰推論におけるバイアス問題に対する変換解を提供する。
  論文  参考訳（メタデータ） (2024-05-01T10:05:19Z)
• Marginal Debiased Network for Fair Visual Recognition [59.05212866862219]
  本稿では,デバイアス表現を学習するための新しい限界脱バイアスネットワーク(MDN)を提案する。 我々のMDNは、表現不足のサンプルに対して顕著な性能を達成できる。
  論文  参考訳（メタデータ） (2024-01-04T08:57:09Z)
• Adaptive Reordering Sampler with Neurally Guided MAGSAC [63.139445467355934]
  そこで我々は, 常に不整数のみを構成する確率が最も高い試料を選定する頑健な推定器のための新しいサンプリング器を提案する。 反復が失敗すると、イリヤ確率はベイズ的アプローチによって原則的に更新される。 幾何的に妥当な方法で、あらゆる種類の特徴に対して推定できる配向とスケールを利用する新しい損失を導入する。
  論文  参考訳（メタデータ） (2021-11-28T10:16:38Z)
• Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression [59.72580239998315]
  我々は、既存のIoUベースの損失を、パワーIoU項と追加のパワー正規化項を有する新しいパワーIoU損失ファミリーに一般化する。 複数のオブジェクト検出ベンチマークとモデルの実験では、$alpha$-IoUの損失が既存のIoUベースの損失を顕著なパフォーマンスマージンで上回ることを示した。
  論文  参考訳（メタデータ） (2021-10-26T13:09:20Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• Mean-Shifted Contrastive Loss for Anomaly Detection [34.97652735163338]
  そこで本研究では,集中損失法とコントラスト損失法の両方の障害モードを克服できる新たな損失関数を提案する。 私たちの改善は、$textitMean-Shifted Contrastive Loss$に基づいて、新しい異常検出アプローチをもたらします。 提案手法は,ROC-AUC$9.5%を含む複数のベンチマークにおいて,最先端の異常検出性能を実現する。
  論文  参考訳（メタデータ） (2021-06-07T17:58:03Z)
• Relating Adversarially Robust Generalization to Flat Minima [138.59125287276194]
  対戦訓練(AT)は、敵の例に対して堅牢なモデルを得るためのデファクトスタンダードとなっている。 重み空間におけるロバスト一般化とロバスト損失景観の平坦性の関係について検討した。
  論文  参考訳（メタデータ） (2021-04-09T15:55:01Z)
• Revisiting the Loss Weight Adjustment in Object Detection [13.391619725808583]
  そこで本研究では,電流損失関数に適合する損失重みを求めるための適応損失重み調整(alwa)を提案する。 L1, SmoothL1, CIoU損失を用いて, 連続的な性能向上を示す。
  論文  参考訳（メタデータ） (2021-03-17T07:45:06Z)
• Focal and Efficient IOU Loss for Accurate Bounding Box Regression [63.14659624634066]
  オブジェクト検出では、境界ボックス回帰(BBR)はオブジェクトローカリゼーションのパフォーマンスを決定する重要なステップです。 i) $ell_n$-norm と IOU ベースのロス関数はどちらも BBR の目的を描くのに非効率的であり、これは遅い収束と不正確な回帰結果をもたらす。
  論文  参考訳（メタデータ） (2021-01-20T14:33:58Z)
• Flatness is a False Friend [0.7614628596146599]
  ヘッセンに基づく平坦性の測度は、一般化に関連して議論され、使用され、示されている。 交叉エントロピー損失下でのフィードフォワードニューラルネットワークでは、大きな重みを持つ低損失解が、平らさの小さなヘッセン的基準を持つことを期待する。
  論文  参考訳（メタデータ） (2020-06-16T11:55:24Z)

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。