論文の概要: Geometry Meets Semantics: Fractional Gradient Stabilization for Semantic-Driven Bounding Box Optimization in Visual Detection Tasks

• arxiv url: http://arxiv.org/abs/2607.23530v1
• Date: Sun, 26 Jul 2026 08:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.14206
• Title: Geometry Meets Semantics: Fractional Gradient Stabilization for Semantic-Driven Bounding Box Optimization in Visual Detection Tasks
• Title（参考訳）: Geometry Meets Semantics: Fractional Gradient Stabilization for Semantic-Driven bounding Box Optimization in Visual Detections
• Authors: Qi Ming, Haitian Yang, Xudong Zhao, Mingjing Zhao, Liuqian Wang, Nanqing Liu,
• Abstract要約: 勾配安定化を伴う統合意味幾何学学習を実現するためのフラクショナルセマンティックIoU損失を提案する。 提案手法は,異なる境界ボックスの定式化と多様な視覚的検出タスクにまたがって,安定した性能向上を実現する。
• 参考スコア（独自算出の注目度）: 13.13897531291027
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Bounding boxes are fundamental for object localization in visual detection tasks. Among them, oriented bounding boxes are widely used in visual detection tasks, which provide a more precise directional representation. Generally, IoU-based losses are widely adopted to optimize box regression. However, we observed that IoU-driven box optimization suffers from two key issues: (1) it relies solely on geometric properties while ignoring semantic cues; (2) orientation optimization suffers from unstable gradients, causing oscillations in orientation convergence. In this paper, we propose a Fractional Semantic IoU loss to achieve unified semantic-geometric learning with gradient stabilization. First, we design a semantic similarity metric to guide IoU optimization, building a Semantic IoU loss (SIoU loss) with an adaptive gradient gating mechanism. Then, we revisit the gradient instability issue in oriented box optimization and extend the SIoU loss to a fractional-order formulation to build the \textbf{Fr}actional \textbf{S}emantic \textbf{IoU} \textbf{loss} (FrSIoU loss). The FrSIoU loss accumulates historical IoU states to regularize abnormal gradients during bounding box optimization process. Extensive experiments demonstrate that our approach achieves stable performance gains across different bounding box formulations and diverse visual detection tasks. The code will be available on GitHub.
• Abstract（参考訳）: 境界ボックスは、視覚検出タスクにおけるオブジェクトのローカライゼーションの基本である。 そのうち、指向性境界ボックスは視覚的検出タスクに広く使われており、より正確な指向性表現を提供する。 一般的に、IoUベースの損失はボックス回帰を最適化するために広く採用されている。 しかし、IoU駆動のボックス最適化は、(1)意味的手がかりを無視しながら幾何学的特性にのみ依存すること、(2)配向最適化は不安定な勾配に悩まされ、配向収束の振動を引き起こすこと、の2つの主要な問題に悩まされている。 本稿では,勾配安定化を伴う統合意味幾何学学習を実現するためのフラクショナルセマンティックIoU損失を提案する。 まず,適応的な勾配ゲーティング機構を備えたセマンティックIoU損失(SIoU損失)を構築することで,IoU最適化を導く意味的類似度尺度を設計する。 次に、向き付けボックス最適化における勾配不安定問題を再検討し、SIoU損失を分数次定式化に拡張し、 \textbf{Fr}actional \textbf{S}emantic \textbf{IoU} \textbf{loss} (FrSIoU loss)を構築する。 FrSIoU損失は歴史的IoU状態を蓄積し、バウンディングボックス最適化過程における異常勾配を規則化する。 広汎な実験により,異なる境界ボックスの定式化や多様な視覚的検出タスクにおいて,本手法が安定した性能向上を実現することが示された。 コードはGitHubで入手できる。

関連論文リスト

• IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
  IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。 本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T14:36:46Z)
• InterpIoU: Rethinking Bounding Box Regression with Interpolation-Based IoU Optimization [0.2529132677802514]
  補間箱と対象物の間のIoUに基づいて手作りの幾何学的罰則を置換する新しい損失関数InterpIoUを提案する。 提案手法は,様々な検出フレームワークにおいて,最先端のIoUベースの損失を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-07-16T17:09:04Z)
• Marginalized Generalized IoU (MGIoU): A Unified Objective Function for Optimizing Any Convex Parametric Shapes [32.1114758137734]
  Marginalized Generalized IoU (MGIoU) は、一次元正規化GIoUを計算するために、構造凸形状をその特異な形状に投影することで課題を克服する新しい損失関数である。 標準ベンチマークの実験では、MGIoUとMGIoU+は、損失遅延を10-40倍に抑えながら、既存の損失を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-04-23T06:05:39Z)
• Intersection over Union with smoothing for bounding box regression [0.0]
  本稿では,境界ボックス回帰に対する損失関数の構成に着目する。 IoU(Intersection over Union)メトリックは、より高速に収束するように改善される。 提案した損失関数は,地中真理境界ボックスの次元における雑音に対して頑健であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T10:20:34Z)
• Rethinking IoU-based Optimization for Single-stage 3D Object Detection [103.83141677242871]
  本稿では回転分離型IoU(RDIoU)法を提案する。 我々のRDIoUは、回転変数を独立項として分離することで、回帰パラメータの複雑な相互作用を単純化する。
  論文  参考訳（メタデータ） (2022-07-19T15:35:23Z)
• Maximum Spatial Perturbation Consistency for Unpaired Image-to-Image Translation [56.44946660061753]
  本稿では,最大空間摂動整合(MSPC)と呼ばれる普遍正規化手法を提案する。 MSPCは空間摂動関数(T)と変換演算子(G)を可換(TG = GT)に強制する。 提案手法は,ほとんどのI2Iベンチマークにおいて最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-23T19:59:04Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)

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。