文献

J-GLOBAL ID：202202222952564306   整理番号：22A0025654

AIoU:正確な指向オブジェクト検出のための適応限界ボックス回帰【JST・京大機械翻訳】

AIoU: Adaptive bounding box regression for accurate oriented object detection

著者 (11件)： Wen Nu (Research Institute for Smart Cities, School of Architecture and Urban Planning, Shenzhen University & Guangdong-Hong Kong-Macau Joint Laboratory for Smart Cities & Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources, Shenzhen, China) ,  Wen Nu (Internet of things Research Institute, Shenzhen Polytechnic, Shenzhen, China) ,  Wen Nu (Polytechnic Center for Territory Spatial Big Data, MNR of China, Beijing, China) ,  Guo Renzhong (Research Institute for Smart Cities, School of Architecture and Urban Planning, Shenzhen University & Guangdong-Hong Kong-Macau Joint Laboratory for Smart Cities & Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources, Shenzhen, China) ,  Guo Renzhong (Polytechnic Center for Territory Spatial Big Data, MNR of China, Beijing, China) ,  Ma Ding (Research Institute for Smart Cities, School of Architecture and Urban Planning, Shenzhen University & Guangdong-Hong Kong-Macau Joint Laboratory for Smart Cities & Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources, Shenzhen, China) ,  Ma Ding (Polytechnic Center for Territory Spatial Big Data, MNR of China, Beijing, China) ,  Ye Xiang (Research Institute for Smart Cities, School of Architecture and Urban Planning, Shenzhen University & Guangdong-Hong Kong-Macau Joint Laboratory for Smart Cities & Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources, Shenzhen, China) ,  Ye Xiang (Polytechnic Center for Territory Spatial Big Data, MNR of China, Beijing, China) ,  He Biao (Research Institute for Smart Cities, School of Architecture and Urban Planning, Shenzhen University & Guangdong-Hong Kong-Macau Joint Laboratory for Smart Cities & Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources, Shenzhen, China) ,  He Biao (Polytechnic Center for Territory Spatial Big Data, MNR of China, Beijing, China)
資料名： International Journal of Intelligent Systems  (International Journal of Intelligent Systems)
巻： 37  号： 1  ページ： 748-769  発行年： 2022年 
JST資料番号： T0454A  ISSN： 0884-8173  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： オブジェクト検出は,クラス認識とオブジェクト位置決めという2つの重要なステップから成る。得られた特徴表現の品質が検出精度に重要であるので,クラス認識は基本的である。オブジェクトを位置決めするために,結合ボックス精密化は,利用検出器の位置決め精度を改善する最も直感的な方法である。すなわち,対象のための最良適合結合ボックスを計算するとき,より良い損失関数計量を選択することである。しかしながら,現在のクラス活性化マッピング(CAM)スコアは,背景雑音からオブジェクトを効果的に識別するのを助けず,アンカーボックスの幾何学的特性のための固定重みを含み,不正確な物体検出に導く。本論文では,クラス認識のための改善されたカテゴリスコアを得るための混合CAM法,およびオブジェクト検出に対する位置決め性能を改善する適応交差結合方式(AIoU)を提案した。混合CAM法は,元の画像応答とCAM情報を組み合わせて,最終特徴マップに対する信頼スコアを提供し,一方,このスコアを,次の局所化回帰ステージのためのサンプル選択基準として考慮した。AIoU法は,結合ボックス位置確認回帰のための新しい損失関数計量を設計した。そうすることによって,提案方法は,ハイパーパラメータを通してネットワーク訓練プロセスにおける境界ボックスの各幾何学的特性の重さを考慮し,サンプル訓練のために新しい正と負のサンプル選択機構を採用する。実験結果は,提案したフレームワークが,古典的バックボーンネットワークによってもたらされるものより,より良い予測精度とより高い平均精度値を達成することを示した。さらに,AIoU法は既存の畳み込みニューラルネットワークアーキテクチャと容易に結合でき,従って,知的輸送のような多くの応用分野における適応性の大きな可能性を有する。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *畳込み ,  損失関数 ,  ネットワーク ,  位置決め ,  選択基準 ,  適応性 ,  基幹回線 ,  検出器 ,  精密化
準シソーラス用語： 背景雑音 ,  予測精度 ,  *物体検出 ,  位置決め精度 ,  検出精度 ,  ハイパーパラメータ , 【Automatic Indexing@JST】

著者キーワード (5件)： AIoU ,  混合CAM ,  オブジェクト検出 ,  ピクセル ,  試料セレクタ

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： オブジェクト検出 ,  適応 ,  限界 ,  ボックス