論文の概要: DiagNet: Detecting Objects using Diagonal Constraints on Adjacency Matrix of Graph Neural Network

• arxiv url: http://arxiv.org/abs/2506.03571v1
• Date: Wed, 04 Jun 2025 04:34:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.15737
• Title: DiagNet: Detecting Objects using Diagonal Constraints on Adjacency Matrix of Graph Neural Network
• Title（参考訳）: DiagNet:グラフニューラルネットワークの隣接行列上の対角的制約を用いた物体検出
• Authors: Chong Hyun Lee, Kibae Lee,
• Abstract要約: グラフ畳み込みネットワーク(GCN)の隣接行列上の対角的制約を用いてオブジェクト境界ボックスを検出できる新しいオブジェクト検出手法であるDaigNetを提案する。 実験の結果、DiagNet は Pascal VOC において YOLOv1 よりも7.5%高い mAP50 を達成することが示された。 DiagNetはまた、MS COCOではYOLOv3uより5.1%高いmAP、YOLOv5uより3.7%高いmAP、YOLOv8より2.9%高いmAPを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose DaigNet, a new approach to object detection with which we can detect an object bounding box using diagonal constraints on adjacency matrix of a graph convolutional network (GCN). We propose two diagonalization algorithms based on hard and soft constraints on adjacency matrix and two loss functions using diagonal constraint and complementary constraint. The DaigNet eliminates the need for designing a set of anchor boxes commonly used. To prove feasibility of our novel detector, we adopt detection head in YOLO models. Experiments show that the DiagNet achieves 7.5% higher mAP50 on Pascal VOC than YOLOv1. The DiagNet also shows 5.1% higher mAP on MS COCO than YOLOv3u, 3.7% higher mAP than YOLOv5u, and 2.9% higher mAP than YOLOv8.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)の隣接行列上の対角的制約を用いてオブジェクト境界ボックスを検出できる新しいオブジェクト検出手法であるDaigNetを提案する。 本稿では,隣接行列の硬度制約と軟度制約に基づく2つの対角化アルゴリズムと,対角的制約と相補的制約を用いた2つの損失関数を提案する。 DaigNetは一般的なアンカーボックスのセットを設計する必要をなくしている。 新規検出器の実現可能性を証明するため, YOLOモデルに検出ヘッドを採用した。 実験の結果、DiagNet は Pascal VOC において YOLOv1 よりも7.5%高い mAP50 を達成することが示された。 DiagNetはまた、MS COCOではYOLOv3uより5.1%高いmAP、YOLOv5uより3.7%高いmAP、YOLOv8より2.9%高いmAPを示している。

関連論文リスト

• Quantizing YOLOv7: A Comprehensive Study [0.0]
  本稿では,最先端のYOLOv7モデルの事前学習重みに対する様々な量子化スキームの有効性について検討する。 その結果、4ビット量子化と異なる粒度の組合せを組み合わせることで、均一な量子化と非一様量子化のための3.92倍と3.86倍のメモリ節約が得られることがわかった。
  論文  参考訳（メタデータ） (2024-07-06T03:23:04Z)
• Investigating YOLO Models Towards Outdoor Obstacle Detection For Visually Impaired People [3.4628430044380973]
  7種類のYOLOオブジェクト検出モデルが実装された。 YOLOv8は最高のモデルであることが判明し、その精度は80ドルに達し、よく知られたObstacleデータセットでは68.2%だった。 YOLO-NASは障害物検出作業に最適であることがわかった。
  論文  参考訳（メタデータ） (2023-12-10T13:16:22Z)
• Edge Based Oriented Object Detection [8.075609633483248]
  対象物の検出精度を高めるために,エッジ勾配に基づく一意な損失関数を提案する。 DOTAデータセットのmAP増加率は1.3%である。
  論文  参考訳（メタデータ） (2023-09-15T09:19:38Z)
• 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)
• DAMO-YOLO : A Report on Real-Time Object Detection Design [19.06518351354291]
  本稿では,最新のYOLOシリーズよりも高速かつ高精度なオブジェクト検出手法であるDAMO-YOLOを提案する。 我々は最大エントロピーの原理で導かれるMAE-NASを用いて検出バックボーンを探索する。 「首と首のデザインでは、大首と小首の規則に従っている。」
  論文  参考訳（メタデータ） (2022-11-23T17:59:12Z)
• A Large-scale Multiple-objective Method for Black-box Attack against Object Detection [70.00150794625053]
  我々は、真正の確率を最小化し、偽正の確率を最大化し、より多くの偽正の物体が新しい真正の有界箱を作らないようにする。 我々は、GARSDCと呼ばれるランダム・サブセット選択とディバイド・アンド・コンカーによる標準的な遺伝的アルゴリズムを拡張し、効率を大幅に改善する。 最先端攻撃法と比較して、GARSDCはmAPでは平均12.0、広範囲な実験ではクエリでは約1000倍減少する。
  論文  参考訳（メタデータ） (2022-09-16T08:36:42Z)
• EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for Mobile Vision Applications [68.35683849098105]
  入力テンソルを複数のチャネルグループに分割するSDTAエンコーダを導入する。 1.3Mパラメータを持つEdgeNeXtモデルでは、ImageNet-1Kで71.2%のTop-1精度を実現している。 パラメータ5.6MのEdgeNeXtモデルでは、ImageNet-1Kで79.4%のTop-1精度を実現しています。
  論文  参考訳（メタデータ） (2022-06-21T17:59:56Z)
• 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)
• Model Rubik's Cube: Twisting Resolution, Depth and Width for TinyNets [65.28292822614418]
  解像度、深さ、幅を同時に拡大する巨大な公式は、ニューラルネットワークのためのルービックキューブを提供する。 本稿では,最小モデルサイズと計算コストで深層ニューラルネットワークを得るためのツイストルールを検討することを目的とする。
  論文  参考訳（メタデータ） (2020-10-28T08:49:45Z)

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。