Fugu-MT 論文翻訳(概要): YOLOv4: A Breakthrough in Real-Time Object Detection

論文の概要: YOLOv4: A Breakthrough in Real-Time Object Detection

arxiv url: http://arxiv.org/abs/2502.04161v1
Date: Thu, 06 Feb 2025 15:45:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-07 14:32:30.911484
Title: YOLOv4: A Breakthrough in Real-Time Object Detection
Title（参考訳）: YOLOv4:リアルタイムオブジェクト検出のブレークスルー
Authors: Athulya Sundaresan Geetha,
Abstract要約: YOLOv4は様々なシナリオにおいて優れた検出を実現し、Tesla V100では毎秒65フレームで43.5%APを達成した。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: YOLOv4 achieved the best performance on the COCO dataset by combining advanced techniques for regression (bounding box positioning) and classification (object class identification) using the Darknet framework. To enhance accuracy and adaptability, it employs Cross mini-Batch Normalization, Cross-Stage-Partial-connections, Self-Adversarial-Training, and Weighted-Residual-Connections, as well as CIoU loss, Mosaic data augmentation, and DropBlock regularization. With Mosaic augmentation and multi-resolution training, YOLOv4 achieves superior detection in diverse scenarios, attaining 43.5\% AP (in contrast, 65.7\% AP50) on a Tesla V100 at ~65 frames per second, ensuring efficiency, affordability, and adaptability for real-world environments.
Abstract（参考訳）: YOLOv4は、Darknetフレームワークを使用した回帰(バウンディングボックスの位置決め)と分類(オブジェクトクラス識別)の高度な技術を組み合わせて、COCOデータセット上で最高のパフォーマンスを達成した。正確性と適応性を高めるため、クロスミニバッチ正規化、クロスステージパーティショア接続、自己逆行訓練、重み付きResidual-Connections、CIoU損失、モザイクデータ拡張、DropBlock正規化を採用している。 Mosaic Augmentationとマルチレゾリューショントレーニングにより、YOLOv4は様々なシナリオにおいて優れた検出を実現し、Tesla V100で43.5\% AP(対照的に65.7\% AP50)を毎秒65フレームで達成し、実環境の効率、可利用性、適応性を確保する。

関連論文リスト

DEIM: DETR with Improved Matching for Fast Convergence [28.24665757155962]
我々は,Transformer-based architectures (DETR) を用いたリアルタイムオブジェクト検出における収束の促進を目的としたトレーニングフレームワークDEIMを紹介する。 DETRモデルにおける1対1(O2O)マッチングに固有のスパース監督を緩和するため、DEIMはDense O2Oマッチング戦略を採用している。 Dense O2Oマッチングはコンバージェンスを高速化する一方、パフォーマンスに影響を与える可能性のある低品質のマッチも多数導入されている。
論文参考訳（メタデータ） (2024-12-05T15:10:13Z)
YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
論文参考訳（メタデータ） (2024-01-30T18:59:38Z)
YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
論文参考訳（メタデータ） (2023-08-10T10:12:27Z)
FedDCT: A Dynamic Cross-Tier Federated Learning Framework in Wireless Networks [5.914766366715661]
フェデレートラーニング(FL)は、ローカルデータを公開せずにデバイス全体でグローバルモデルをトレーニングする。無線ネットワークにおけるリソースの不均一性と避けられないストラグラーは、FLトレーニングの効率と正確性に大きな影響を与えます。動的クロスティアフェデレーション学習フレームワーク(FedDCT)を提案する。
論文参考訳（メタデータ） (2023-07-10T08:54:07Z)
EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
論文参考訳（メタデータ） (2023-02-15T06:05:14Z)
Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文参考訳（メタデータ） (2022-09-01T03:27:33Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
YOLO-ReT: Towards High Accuracy Real-time Object Detection on Edge GPUs [14.85882314822983]
ディープニューラルネットワーク(DNN)ベースのオブジェクト検出モデルをエッジデバイスにマップするには、通常、そのようなモデルを著しく圧縮する必要がある。本稿では,マルチスケール機能インタラクションのためのエッジGPUフレンドリなモジュールを提案する。また,様々なタスク間の翻訳情報の流れの変化にインスパイアされた,新たな学習バックボーンの導入を提案する。
論文参考訳（メタデータ） (2021-10-26T14:02:59Z)
Inception Convolution with Efficient Dilation Search [121.41030859447487]
拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
論文参考訳（メタデータ） (2020-12-25T14:58:35Z)
Scaled-YOLOv4: Scaling Cross Stage Partial Network [14.198747290672854]
CSP アプローチに基づく YOLOv4 オブジェクト検出ニューラルネットワークは,上向きと下向きの両方にスケールする。本稿では,ネットワークの深さ,幅,解像度だけでなく,ネットワークの構造も変更するネットワークスケーリング手法を提案する。
論文参考訳（メタデータ） (2020-11-16T15:42:00Z)

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。