論文の概要: The Problem of Fragmented Occlusion in Object Detection
- arxiv url: http://arxiv.org/abs/2004.13076v1
- Date: Mon, 27 Apr 2020 18:16:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 05:57:45.180355
- Title: The Problem of Fragmented Occlusion in Object Detection
- Title(参考訳): 物体検出における分断咬合の問題点
- Authors: Julian Pegoraro and Roman Pflugfelder
- Abstract要約: 本稿では,グリーン境界の画像を用いた最先端検出器の解析を行い,新しいトレーニングデータを用いたMask R-CNNのトレーニングを提案する。
この新たなトレーニング戦略により,Mask R-CNNの改善が明らかとなった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object detection in natural environments is still a very challenging task,
even though deep learning has brought a tremendous improvement in performance
over the last years. A fundamental problem of object detection based on deep
learning is that neither the training data nor the suggested models are
intended for the challenge of fragmented occlusion. Fragmented occlusion is
much more challenging than ordinary partial occlusion and occurs frequently in
natural environments such as forests. A motivating example of fragmented
occlusion is object detection through foliage which is an essential requirement
in green border surveillance. This paper presents an analysis of
state-of-the-art detectors with imagery of green borders and proposes to train
Mask R-CNN on new training data which captures explicitly the problem of
fragmented occlusion. The results show clear improvements of Mask R-CNN with
this new training strategy (also against other detectors) for data showing
slight fragmented occlusion.
- Abstract(参考訳): ディープラーニングはここ数年で大幅なパフォーマンス向上をもたらしていますが、自然環境におけるオブジェクト検出は依然として非常に難しい作業です。
ディープラーニングに基づくオブジェクト検出の基本的な問題は、トレーニングデータも推奨モデルも、分断されたオクルージョンの課題を意図していないことだ。
分断的閉塞は通常の部分的閉塞よりも困難であり、森林などの自然環境において頻繁に発生する。
フラグメンテッド・オクルージョンのモチベーションの例は、緑の国境監視において必須の葉を通しての物体検出である。
本稿では,グリーン境界の画像を用いた最先端検出器の解析を行い,フラグメンテッド・オクルージョンの問題を明示的に捉えた新しいトレーニングデータを用いてMask R-CNNを訓練することを提案する。
これらの結果から,Mask R-CNNは断片的な閉塞を示すデータに対して,新たなトレーニング戦略(他の検出器に対しても)により明らかに改善されている。
関連論文リスト
- Occlusion-Aware Detection and Re-ID Calibrated Network for Multi-Object
Tracking [38.36872739816151]
検出器内のOAA(Occlusion-Aware Attention)モジュールは、隠蔽された背景領域を抑えながらオブジェクトの特徴を強調する。
OAAは、隠蔽される可能性のある物体の検出器を強化する変調器として機能する。
最適輸送問題に基づくRe-ID埋め込みマッチングブロックを設計する。
論文 参考訳(メタデータ) (2023-08-30T06:56:53Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-08-18T13:13:09Z) - USD: Unknown Sensitive Detector Empowered by Decoupled Objectness and
Segment Anything Model [14.080744645704751]
Open World Object Detection (OWOD) は、新しいコンピュータビジョンタスクである。
本稿では,この2つの境界の学習をデコーダ層に分割する,シンプルで効果的な学習戦略であるDecoupled Objectness Learning(DOL)を提案する。
また、擬似ラベルとソフトウェイト戦略を用いてノイズの負の影響を緩和する補助的スーパービジョンフレームワーク(ASF)も導入する。
論文 参考訳(メタデータ) (2023-06-04T06:42:09Z) - CamDiff: Camouflage Image Augmentation via Diffusion Model [83.35960536063857]
CamDiffは、カモフラージュされたシーンで透明なオブジェクトを合成するための新しいアプローチだ。
我々は,潜伏拡散モデルを用いて,カモフラージュされたシーンで有能な物体を合成する。
当社のアプローチでは、フレキシブルな編集と大規模データセットの効率的な生成を低コストで実現している。
論文 参考訳(メタデータ) (2023-04-11T19:37:47Z) - High-resolution Iterative Feedback Network for Camouflaged Object
Detection [128.893782016078]
カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。
エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。
我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
論文 参考訳(メタデータ) (2022-03-22T11:20:21Z) - Robust Region Feature Synthesizer for Zero-Shot Object Detection [87.79902339984142]
我々は,クラス内セマンティック・ディバージングコンポーネントとクラス間構造保存コンポーネントを含む,新しいゼロショットオブジェクト検出フレームワークを構築した。
リモートセンシング画像においてゼロショット物体検出を行う最初の研究である。
論文 参考訳(メタデータ) (2022-01-01T03:09:15Z) - FakeMix Augmentation Improves Transparent Object Detection [24.540569928274984]
境界関係の不均衡問題を克服するために、FakeMixと呼ばれる新しいコンテンツ依存データ拡張法を提案する。
また,マルチスケールおよびクロスモダリティ機能を動的にキャプチャ可能な,asppの拡張版であるadaptiveasppも紹介する。
論文 参考訳(メタデータ) (2021-03-24T15:51:37Z) - Robust Instance Segmentation through Reasoning about Multi-Object
Occlusion [9.536947328412198]
本稿では,隠蔽に頑健な多目的インスタンスセグメンテーションのためのディープネットワークを提案する。
私たちの研究は、神経機能アクティベーションの生成モデルを学習し、オクローダの発見に役立てています。
特に、オブジェクトクラスとそのインスタンスおよびオクルーダーセグメンテーションのフィードフォワード予測を得る。
論文 参考訳(メタデータ) (2020-12-03T17:41:55Z) - SCRDet++: Detecting Small, Cluttered and Rotated Objects via
Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
小さくて散らばった物体は実世界では一般的であり、検出は困難である。
本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。
機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
論文 参考訳(メタデータ) (2020-04-28T06:03:54Z) - Object Detection as a Positive-Unlabeled Problem [78.2955013126312]
本稿では,未ラベル領域が負でなければならないという仮定を排除し,対象検出を正の未ラベル(PU)問題として扱うことを提案する。
提案するPU分類の損失は, PASCAL VOCやMS COCO, Visual GenomeやDeepLesionなど, ラベルの欠如により, 標準的なPN損失よりも優れていた。
論文 参考訳(メタデータ) (2020-02-11T20:49:34Z)
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。