論文の概要: MultiResolution Attention Extractor for Small Object Detection

• arxiv url: http://arxiv.org/abs/2006.05941v1
• Date: Wed, 10 Jun 2020 16:47:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 06:00:09.566037
• Title: MultiResolution Attention Extractor for Small Object Detection
• Title（参考訳）: 小型物体検出用マルチレゾリューションアテンション抽出器
• Authors: Fan Zhang, Licheng Jiao, Lingling Li, Fang Liu, and Xu Liu
• Abstract要約: 小さい物体は解像度が低く、小さいため検出が難しい。 人間の視覚の「注意」メカニズムにインスパイアされ、我々は2つの特徴抽出手法を利用して、小さな物体の最も有用な情報をマイニングする。
• 参考スコア（独自算出の注目度）: 40.74232149130456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Small objects are difficult to detect because of their low resolution and small size. The existing small object detection methods mainly focus on data preprocessing or narrowing the differences between large and small objects. Inspired by human vision "attention" mechanism, we exploit two feature extraction methods to mine the most useful information of small objects. Both methods are based on multiresolution feature extraction. We initially design and explore the soft attention method, but we find that its convergence speed is slow. Then we present the second method, an attention-based feature interaction method, called a MultiResolution Attention Extractor (MRAE), showing significant improvement as a generic feature extractor in small object detection. After each building block in the vanilla feature extractor, we append a small network to generate attention weights followed by a weighted-sum operation to get the final attention maps. Our attention-based feature extractor is 2.0 times the AP of the "hard" attention counterpart (plain architecture) on the COCO small object detection benchmark, proving that MRAE can capture useful location and contextual information through adaptive learning.
• Abstract（参考訳）: 小さなオブジェクトは、解像度が低く、サイズが小さいため、検出が難しい。 既存の小さなオブジェクト検出方法は、主にデータ前処理や、大きなオブジェクトと小さなオブジェクトの違いを狭めることに焦点を当てている。 人間の視覚"アテンション"機構に触発されて,2つの特徴抽出手法を用いて,小型物体の最も有用な情報をマイニングする。 どちらの手法もマルチレゾリューション特徴抽出に基づいている。 まず,ソフトアテンション法の設計と探索を行ったが,その収束速度は遅いことがわかった。 次に,マルチレゾリューションアテンション抽出器(mrae)と呼ばれるアテンションに基づく2番目のアテンションインタラクション法を提案する。 バニラ特徴抽出器の各ビルディングブロックの後に、注意重みを発生させるために小さなネットワークを付加し、次に重み付け操作を行い、最終的な注意マップを得る。 注意に基づく特徴抽出器は、COCO小物体検出ベンチマークの「ハード」な注意相手(プレーンアーキテクチャ)のAPの2.0倍であり、MRAEが適応学習を通じて有用な位置情報や文脈情報をキャプチャできることを示す。

関連論文リスト

• ESOD: Efficient Small Object Detection on High-Resolution Images [36.80623357577051]
  小さなオブジェクトは通常、わずかに分散され、局所的にクラスタ化される。 画像の非対象背景領域において、大量の特徴抽出計算を無駄にする。 本稿では,検出器のバックボーンを再利用して,特徴レベルのオブジェクト探索とパッチスライシングを行う方法を提案する。
  論文  参考訳（メタデータ） (2024-07-23T12:21:23Z)
• Visible and Clear: Finding Tiny Objects in Difference Map [50.54061010335082]
  本稿では,検出モデルに自己再構成機構を導入し,それと微小物体との強い相関関係を明らかにする。 具体的には、再構成画像と入力の差分マップを構築して、検出器の首の内側に再構成ヘッドを配置し、小さな物体に対して高い感度を示す。 さらに、小さな特徴表現をより明確にするために、差分マップガイド機能拡張(DGFE)モジュールを開発する。
  論文  参考訳（メタデータ） (2024-05-18T12:22:26Z)
• Improving the Detection of Small Oriented Objects in Aerial Images [0.0]
  本研究では,オブジェクト指向物体検出モデルの分類・回帰タスクを強化することにより,空中画像中の小型物体を高精度に検出する手法を提案する。 ガイド・アテンション・ロス(GALoss)とボックス・ポイント・ロス(BPLoss)の2つの損失からなるアテンション・ポイント・ネットワークを設計した。 実験結果から,小型オブジェクトインスタンスを用いた標準指向型空中データセットにおける注意点ネットワークの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-12T11:00:07Z)
• 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)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Focus-and-Detect: A Small Object Detection Framework for Aerial Images [1.911678487931003]
  我々はFocus-and-Detectと呼ばれる2段階のオブジェクト検出フレームワークを提案する。 第1段階は、焦点領域を構成するオブジェクトのクラスタを生成する。 第2段階は対象検出器ネットワークであり、焦点領域内の物体を予測する。 提案した2段階のフレームワークは,VisDrone検証データセットのAPスコアが42.06であることを示す。
  論文  参考訳（メタデータ） (2022-03-24T10:43:56Z)
• Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
  変換器を用いた赤外線小径目標検出手法を提案する。 画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。 最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
  論文  参考訳（メタデータ） (2021-09-29T12:23:41Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Pixel-Semantic Revise of Position Learning A One-Stage Object Detector with A Shared Encoder-Decoder [5.371825910267909]
  異なる手法がオブジェクトを適応的に検出することを分析する。 いくつかの最先端検出器は、異なる特徴ピラミッドと多レベルセマンティック情報を強化するための多くのメカニズムを組み合わせている。 この研究は、注意機構を持つ共有エンコーダデコーダを持つアンカーフリー検出器によって対処される。
  論文  参考訳（メタデータ） (2020-01-04T08:55:00Z)

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。