Page Object Detection with YOLOF

Nguyen, Phuc; Ngo, Luu; Truong, Thang; Nguyen, Thuan Trong; Vo, Nguyen D.; Nguyen, Khang

doi:10.1109/nics54270.2021.9701449

Cited by 9 publications

(2 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Bên cạnh, trong những năm gần đây, "Anchor-free" là một trong những hướng nghiên cứu mới nhận được sự quan tâm. Đặc biệt, phương pháp YOLOF đã được Nguyen et al (2021) áp dụng cho bài toán phát hiện đối tượng trang. CenterNet (Duan et al, 2019) là một trong những phương pháp one-stage áp dụng kĩ thuật "Anchorfree", trong phương pháp này, bài toán phát hiện đối tượng (Object Detection) được đưa về bài toán tìm điểm đặc trưng (Keypoint Estimation), từ đó cũng suy ra kích thước và tính toán được bounding box cho bài toán phát hiện vật.…”

Section: Phương Pháp Nghiên Cứu 21 Các Nghiên Cứu Liên Quanunclassified

Thực nghiệm đánh giá YOLOX cho bài toán phát hiện đối tượng tài liệu

Huỳnh

Nguyễn²,

Nguyễn³

et al. 2022

CTUJSVN

View full text Add to dashboard Cite

Trong vài thập kỷ qua, với sự gia tăng nhanh chóng trong việc số hóa các hình ảnh tài liệu, việc trích xuất thông tin chính xác là một trong những hướng nghiên cứu quan trọng. Với sự phát triển của phát hiện đối tượng, nhiều nghiên cứu ra đời hướng đến việc phân loại tài liệu dựa trên nhiều thành phần của trang tài liệu đó. Mục tiêu của nghiên cứu này là đề cập đến bài toán POD (Page Object Detection) – phát hiện đối tượng xuất hiện trong trang tài liệu thông qua đánh giá 2 bộ dữ liệu IIIT-AR-13K và UIT-DODV dựa theo phương pháp YOLOX. YOLOX đạt kết quả 69,0% mAP, tốt hơn 2,90% so với kết quả mô hình one-stage cao nhất – YOLOv4-mish được công bố trên bộ dữ liệu UIT-DODV. Trong khi ở IIIT-AR-13K, YOLOX đạt được 66,9% mAP và thấp hơn nhiều so với các phương pháp two-stage đã công bố trước đó. Bên cạnh, những phân tích về độ hiệu quả của phương pháp state-of-the-art YOLOX cho bài toán POD cũng được cung cấp, là tiền đề cho những nghiên cứu tiếp theo trong tương lai.

show abstract

Section: Phương Pháp Nghiên Cứu 21 Các Nghiên Cứu Liên Quanunclassified

Thực nghiệm đánh giá YOLOX cho bài toán phát hiện đối tượng tài liệu

Huỳnh

Nguyễn²,

Nguyễn³

et al. 2022

CTUJSVN

View full text Add to dashboard Cite

show abstract

“…Table 9 shows that the proposed framework performs better than the Faster RCNN model by 6.4%, 1% and 5.1%, respectively. Additionally, a YOLO F [57] model trained on the complete data is compared with the Soft Teacher model that is trained on 10% labeled data. The Soft Teacher model showed a 3.7% mAP improvement, and it outperforms the YOLO F model in detecting natural images, logos, and signatures.…”

Section: Techniquementioning

confidence: 99%

Toward Semi-Supervised Graphical Object Detection in Document Images

et al. 2022

View full text Add to dashboard Cite

The graphical page object detection classifies and localizes objects such as Tables and Figures in a document. As deep learning techniques for object detection become increasingly successful, many supervised deep neural network-based methods have been introduced to recognize graphical objects in documents. However, these models necessitate a substantial amount of labeled data for the training process. This paper presents an end-to-end semi-supervised framework for graphical object detection in scanned document images to address this limitation. Our method is based on a recently proposed Soft Teacher mechanism that examines the effects of small percentage-labeled data on the classification and localization of graphical objects. On both the PubLayNet and the IIIT-AR-13K datasets, the proposed approach outperforms the supervised models by a significant margin in all labeling ratios (1%, 5%, and 10%). Furthermore, the 10% PubLayNet Soft Teacher model improves the average precision of Table, Figure, and List by +5.4,+1.2, and +3.2 points, respectively, with a similar total mAP as the Faster-RCNN baseline. Moreover, our model trained on 10% of IIIT-AR-13K labeled data beats the previous fully supervised method +4.5 points.

show abstract