論文の概要: Reveal of Domain Effect: How Visual Restoration Contributes to Object Detection in Aquatic Scenes

• arxiv url: http://arxiv.org/abs/2003.01913v1
• Date: Wed, 4 Mar 2020 06:44:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 13:18:54.363408
• Title: Reveal of Domain Effect: How Visual Restoration Contributes to Object Detection in Aquatic Scenes
• Title（参考訳）: ドメイン・エフェクトの探求:水辺の物体検出に視覚回復がどう寄与するか
• Authors: Xingyu Chen, Yue Lu, Zhengxing Wu, Junzhi Yu, and Li Wen
• Abstract要約: ドメインの品質はドメイン内の畳み込み表現と検出精度に無視できない効果を持つ。 低品質のドメインは、ドメイン混在の学習プロセスでは、ほとんど学べない。 ビジュアル復元は、トレーニングデータと現実世界のシーン間のドメインシフトを減らすことで、野生での検知に有用である。
• 参考スコア（独自算出の注目度）: 20.73692691837255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater robotic perception usually requires visual restoration and object detection, both of which have been studied for many years. Meanwhile, data domain has a huge impact on modern data-driven leaning process. However, exactly indicating domain effect, the relation between restoration and detection remains unclear. In this paper, we generally investigate the relation of quality-diverse data domain to detection performance. In the meantime, we unveil how visual restoration contributes to object detection in real-world underwater scenes. According to our analysis, five key discoveries are reported: 1) Domain quality has an ignorable effect on within-domain convolutional representation and detection accuracy; 2) low-quality domain leads to higher generalization ability in cross-domain detection; 3) low-quality domain can hardly be well learned in a domain-mixed learning process; 4) degrading recall efficiency, restoration cannot improve within-domain detection accuracy; 5) visual restoration is beneficial to detection in the wild by reducing the domain shift between training data and real-world scenes. Finally, as an illustrative example, we successfully perform underwater object detection with an aquatic robot.
• Abstract（参考訳）: 水中ロボットの知覚は通常、視覚復元と物体検出を必要とするが、どちらも長年研究されてきた。 一方、データドメインは、現代のデータ駆動のリーンプロセスに大きな影響を与えます。 しかし、ドメイン効果を正確に示すと、復元と検出の関係ははっきりしない。 本稿では,品質の異なるデータ領域と検出性能の関係を概ね検討する。 一方,実際の水中シーンにおける物体検出に視覚的復元がどう寄与するかを明らかにする。 分析によると、5つの重要な発見が報告されている。 1) ドメイン品質は、ドメイン内畳み込み表現及び検出精度に無知な影響を及ぼす。 2)低品質ドメインはクロスドメイン検出において高い一般化能力をもたらす。 3)低品質のドメインは、ドメイン混在の学習プロセスでは、ほとんど学べない。 4)リコール効率の低下により、ドメイン内検出精度が向上しない。 5) トレーニングデータと実世界のシーン間のドメインシフトを減らすことにより,野生での視覚復元は有用である。 最後に,例示として,水中ロボットを用いた水中物体検出を成功させた。

関連論文リスト

• ADOD: Adaptive Domain-Aware Object Detection with Residual Attention for Underwater Environments [1.2624532490634643]
  本研究では,水中物体検出における領域一般化のための新しいアプローチであるADODを提案する。 本手法は, 様々な水中環境下での堅牢性を確保するため, 多様な領域にまたがってモデルを一般化する能力を高める。
  論文  参考訳（メタデータ） (2023-12-11T19:20:56Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• Principles of Forgetting in Domain-Incremental Semantic Segmentation in Adverse Weather Conditions [0.0]
  逆気象条件は、トレーニング中にそのようなデータが入手できない場合、モデルの性能を著しく低下させることができる。 気象条件下でのドメイン・インクリメンタル・ラーニングにおいて,セマンティックセグメンテーション・モデルの表現がどのように影響を受けるかを検討する。 実験と表現分析から,大惨な忘れは,ドメイン・インクリメンタル・ラーニングにおける低レベルの特徴の変化に起因することが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T16:23:49Z)
• Adversarially Trained Object Detector for Unsupervised Domain Adaptation [4.9631159466100305]
  我々は、教師なし領域適応のための新しいアプローチとして、ソース領域における敵の訓練を適用できることを実証する。 そこで本稿では,頑健な特徴と目標領域とのアライメントを改善するために,対角的トレーニングと特徴アライメントを組み合わせた手法を提案する。
  論文  参考訳（メタデータ） (2021-09-13T07:21:28Z)
• Domain Adaptation for Underwater Image Enhancement [51.71570701102219]
  本稿では,ドメイン間およびドメイン内ギャップを最小限に抑えるために,新しい2相水中ドメイン適応ネットワーク(TUDA)を提案する。 第1段階では、入力画像のリアリズムを強化する翻訳部と、拡張部とを含む新しい二重配向ネットワークを設計する。 第2フェーズでは、ランクベースの水中品質評価手法が組み込まれている強化画像の評価品質に応じて、実データを簡単に分類する。
  論文  参考訳（メタデータ） (2021-08-22T06:38:19Z)
• Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
  ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。 本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。 検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
  論文  参考訳（メタデータ） (2021-06-02T05:21:25Z)
• Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
  近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
  論文  参考訳（メタデータ） (2021-05-27T23:34:06Z)
• Achieving Domain Generalization in Underwater Object Detection by Image Stylization and Domain Mixup [8.983901488753967]
  既存の水中物体検出手法は複雑な水中環境に起因する領域シフト問題に直面すると深刻に劣化する。 本稿では,データ拡張の観点からのドメイン一般化手法を提案する。 S-UODAC 2020データセットに関する総合的な実験は、提案手法がドメイン不変表現を学習できることを実証している。
  論文  参考訳（メタデータ） (2021-04-06T01:45:07Z)
• Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud Object Detection [64.2159881697615]
  3Dポイント雲からの物体検出は依然として難しい課題だが、最近の研究ではディープラーニング技術によって封筒を推し進めている。 本稿では,特徴表現の堅牢性を高めるために,ドメイン適応のようなアプローチを提案する。 我々の単純で効果的なアプローチは、3Dポイントクラウドオブジェクト検出の性能を根本的に向上させ、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-06-08T05:15:06Z)
• Multi-Task Incremental Learning for Object Detection [71.57155077119839]
  マルチタスクは、知識と計算を共有しながら、複数のタスクを学習する。 古いデータにアクセスせずに漸進的に学習すると、過去の知識を壊滅的に忘れてしまう。
  論文  参考訳（メタデータ） (2020-02-13T04:58:37Z)

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。