Evaluating object detector ensembles for improving the robustness of artifact detection in endoscopic video streams

要約

この寄稿では、内視鏡画像内のアーティファクトを検出することを目的として、2つの個別の1ステージ検出器（つまり、YOLOv4とYolact）の予測を組み合わせるためのアンサンブル深層学習法を使用します。
このアンサンブル戦略により、リアルタイムの計算機能を損なうことなく、個々のモデルの堅牢性を向上させることができました。
「内視鏡アーチファクト検出チャレンジ」データセットで2つの個別モデルとさまざまなアンサンブル構成をトレーニングおよびテストすることにより、アプローチの有効性を実証しました。
広範な実験は、平均平均精度の観点から、個々のモデルおよび最先端の以前の作品に対するアンサンブルアプローチの優位性を示しています。

要約(オリジナル)

In this contribution we use an ensemble deep-learning method for combining the prediction of two individual one-stage detectors (i.e., YOLOv4 and Yolact) with the aim to detect artefacts in endoscopic images. This ensemble strategy enabled us to improve the robustness of the individual models without harming their real-time computation capabilities. We demonstrated the effectiveness of our approach by training and testing the two individual models and various ensemble configurations on the ‘Endoscopic Artifact Detection Challenge’ dataset. Extensive experiments show the superiority, in terms of mean average precision, of the ensemble approach over the individual models and previous works in the state of the art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google