論文の概要: Deep Active Learning for Remote Sensing Object Detection

• arxiv url: http://arxiv.org/abs/2003.08793v1
• Date: Tue, 17 Mar 2020 15:57:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 20:17:57.869812
• Title: Deep Active Learning for Remote Sensing Object Detection
• Title（参考訳）: リモートセンシング物体検出のための深層能動学習
• Authors: Zhenshen Qu, Jingda Du, Yong Cao, Qiuyu Guan and Pengbo Zhao
• Abstract要約: そこで本研究では,アノテーションを付加した画像選択が可能な,不確実性に基づく能動学習を提案する。 本手法は,物体の分類の不確かさを分析し,不確かさを判定するだけでなく,不確かさを判定する。
• 参考スコア（独自算出の注目度）: 1.6334395107684507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, CNN object detectors have achieved high accuracy on remote sensing images but require huge labor and time costs on annotation. In this paper, we propose a new uncertainty-based active learning which can select images with more information for annotation and detector can still reach high performance with a fraction of the training images. Our method not only analyzes objects' classification uncertainty to find least confident objects but also considers their regression uncertainty to declare outliers. Besides, we bring out two extra weights to overcome two difficulties in remote sensing datasets, class-imbalance and difference in images' objects amount. We experiment our active learning algorithm on DOTA dataset with CenterNet as object detector. We achieve same-level performance as full supervision with only half images. We even override full supervision with 55% images and augmented weights on least confident images.
• Abstract（参考訳）: 近年、cnnオブジェクト検出器はリモートセンシング画像において高い精度を達成しているが、アノテーションに多大な労力と時間を要する。 本稿では,アノテーションや検出のためのより多くの情報を持つ画像を選択できる不確実性に基づく能動学習を提案する。 本手法は,物体の分類の不確かさを分析し,不確かさを判定するだけでなく,不確かさを判定する。 さらに、リモートセンシングデータセットの2つの困難を克服するために、2つの余分な重み、すなわち、画像のオブジェクト量のクラス不均衡と差をもたらす。 我々は,centernetをオブジェクト検出器としてdotaデータセット上でアクティブラーニングアルゴリズムを実験する。 半画像のみによる全監督と同じレベルのパフォーマンスを実現する。 55%のイメージと、信頼性の低いイメージに対する重み付けで、完全な監督をオーバーライドしています。

関連論文リスト

• Few-shot Oriented Object Detection with Memorable Contrastive Learning in Remote Sensing Images [11.217630579076237]
  リモートセンシングの分野では、FSOD(Few-shot Object Detection)が注目されている。 本稿では,Few-shot Oriented Object Detection with Memorable Contrastive Learning (FOMC) という,リモートセンシングのための新しいFSOD法を提案する。 具体的には、従来の水平有界ボックスの代わりに指向的有界ボックスを用いて、任意指向の空中オブジェクトのより優れた特徴表現を学習する。
  論文  参考訳（メタデータ） (2024-03-20T08:15:18Z)
• On the Importance of Large Objects in CNN Based Object Detection Algorithms [0.0]
  すべてのサイズで重要な学習機能において、大きなオブジェクトの重要性を強調します。 大きな物体により多くの重みを与えると、全ての物体の大きさに対する検出スコアが向上することを示す。
  論文  参考訳（メタデータ） (2023-11-20T12:32:32Z)
• Supervised and Contrastive Self-Supervised In-Domain Representation Learning for Dense Prediction Problems in Remote Sensing [0.0]
  本稿では、リモートセンシングと画像Netデータセットの領域差を解決するために、教師付きおよび自己教師型両方のドメイン表現の有効性について検討する。 自己教師付き事前学習では,SimSiamアルゴリズムは単純であり,膨大な計算資源を必要としない。 その結果,自己教師付き表現学習に空間分解能の高いデータセットを用いることで,下流タスクの性能が向上することが実証された。
  論文  参考訳（メタデータ） (2023-01-29T20:56:51Z)
• Object Detection in Aerial Images with Uncertainty-Aware Graph Network [61.02591506040606]
  本稿では,ノードとエッジがオブジェクトによって表現される構造化グラフを用いた,新しい不確実性を考慮したオブジェクト検出フレームワークを提案する。 我々は我々のモデルをオブジェクトDETection(UAGDet)のための不確実性対応グラフネットワークと呼ぶ。
  論文  参考訳（メタデータ） (2022-08-23T07:29:03Z)
• Unsupervised Object-Level Representation Learning from Scene Images [97.07686358706397]
  Object-level Representation Learning (ORL) はシーンイメージに対する新たな自己教師型学習フレームワークである。 我々の重要な洞察は、画像レベルの自己教師付き事前学習を、オブジェクトレベルの意味的対応を見つけるための事前学習として活用することである。 ORLは、複数の下流タスクにおける教師付きImageNet事前学習を超越しても、シーンイメージ上での自己教師型学習のパフォーマンスを著しく向上させる。
  論文  参考訳（メタデータ） (2021-06-22T17:51:24Z)
• Few-Shot Learning for Video Object Detection in a Transfer-Learning Scheme [70.45901040613015]
  ビデオ物体検出のための数発学習の新たな課題について検討する。 我々は,多数のベースクラスオブジェクトに対して映像物体検出を効果的に訓練するトランスファー学習フレームワークと,ノベルクラスオブジェクトのいくつかのビデオクリップを用いる。
  論文  参考訳（メタデータ） (2021-03-26T20:37:55Z)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)
• A Simple and Effective Use of Object-Centric Images for Long-Tailed Object Detection [56.82077636126353]
  シーン中心画像における物体検出を改善するために,物体中心画像を活用する。 私たちは、シンプルで驚くほど効果的なフレームワークを提示します。 我々の手法は、レアオブジェクトのオブジェクト検出(およびインスタンスセグメンテーション)の精度を相対的に50%(および33%)向上させることができる。
  論文  参考訳（メタデータ） (2021-02-17T17:27:21Z)
• Improving Object Detection with Selective Self-supervised Self-training [62.792445237541145]
  本研究では,Web画像を利用した人為的対象検出データセットの強化について検討する。 画像と画像の検索によりWebイメージを検索し、他の検索手法に比べて、キュレートされたデータからのドメインシフトが少なくなる。 画像分類のためのラベルのないデータを探索する2つの並列処理をモチベーションとした新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2020-07-17T18:05:01Z)

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。