- …
- …
#326
summarized by : Hirokatsu Kataoka
どんな論文か？
物体検出において強力なベースラインとなりつつあるSparse R-CNNに対して２つの改善 -（１）教師ラベルが固定だったが、動的な教師ラベル対応（Dynamic Label Assignment）、（２）動的な候補領域生成（Dynamic Proposal Generation）により学習エポック数が少ないながらベースラインよりも高い精度を実現した。対応関係は論文中のFigure 1参照。
新規性
新規性は上記（１）と（２）をSparse R-CNNに対して実装、学習時間を削減しながらも高精度な物体検出の学習を実現したところにある。従来法、提案法の差分は添付図参照。
結果
MSCOCOの物体検出タスクにおいて、APが47.2%まで到達している。なお、ベースライン手法であるSparse R-CNNは同じ指標において45.0%であった。
その他（なぜ通ったか？等）
Papers with code: https://paperswithcode.com/paper/dynamic-sparse-r-cnn
- …
- …