論文の概要: PolarDet: A Fast, More Precise Detector for Rotated Target in Aerial Images

• arxiv url: http://arxiv.org/abs/2010.08720v1
• Date: Sat, 17 Oct 2020 05:16:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 11:57:06.376986
• Title: PolarDet: A Fast, More Precise Detector for Rotated Target in Aerial Images
• Title（参考訳）: polardet: 空中画像における回転対象の高速で高精度な検出器
• Authors: Pengbo Zhao, Zhenshen Qu, Yingjia Bu, Wenming Tan, Ye Ren, Shiliang Pu
• Abstract要約: PolarDetは、極座標表現に基づく高速で正確な1段階の物体検出器である。 検出器は, サブピクセル中心のセマンティック構造を導入し, 精度の向上を図る。 DOTA,UCAS-AOD,HRSCはそれぞれ76.64% mAP,97.01% mAP,90.46% mAPである。
• 参考スコア（独自算出の注目度）: 27.91544183861098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fast and precise object detection for high-resolution aerial images has been a challenging task over the years. Due to the sharp variations on object scale, rotation, and aspect ratio, most existing methods are inefficient and imprecise. In this paper, we represent the oriented objects by polar method in polar coordinate and propose PolarDet, a fast and accurate one-stage object detector based on that representation. Our detector introduces a sub-pixel center semantic structure to further improve classifying veracity. PolarDet achieves nearly all SOTA performance in aerial object detection tasks with faster inference speed. In detail, our approach obtains the SOTA results on DOTA, UCAS-AOD, HRSC with 76.64\% mAP, 97.01\% mAP, and 90.46\% mAP respectively. Most noticeably, our PolarDet gets the best performance and reaches the fastest speed(32fps) at the UCAS-AOD dataset.
• Abstract（参考訳）: 高解像度空中画像の高速かつ高精度な物体検出は、長年にわたり難しい課題であった。 物体スケール、回転、アスペクト比の鋭い変化のため、既存の手法のほとんどは非効率で不正確である。 本稿では,向き付け対象を極座標法で表現し,その表現に基づく高速かつ高精度な一段階物体検出器であるpolardetを提案する。 検出器はサブピクセル中心のセマンティック構造を導入し,精度の向上を図る。 PolarDetは、高速な推論速度で空中物体検出タスクにおいて、ほぼ全てのSOTA性能を達成する。 提案手法では, DOTA, UCAS-AOD, HRSC, 76.64\% mAP, 97.01\% mAP, 90.46\% mAPのSOTA結果を得た。 最も注目すべきは、私たちのpolardetが最高のパフォーマンスを獲得し、ucs-aodデータセットで最速(32fps)に達することです。

関連論文リスト

• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。 様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Adaptive Rotated Convolution for Rotated Object Detection [96.94590550217718]
  本稿では、回転物体検出問題に対処するために、適応回転変換(ARC)モジュールを提案する。 ARCモジュールでは、コンボリューションカーネルが適応的に回転し、異なる画像に異なる向きのオブジェクト特徴を抽出する。 提案手法は,81.77%mAPのDOTAデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-03-14T11:53:12Z)
• Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
  本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。 OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。 我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
  論文  参考訳（メタデータ） (2022-12-26T12:49:47Z)
• Analysis and Adaptation of YOLOv4 for Object Detection in Aerial Images [0.0]
  本研究は,空中画像中の物体とその位置を予測するためのYOLOv4フレームワークの適応性を示す。 トレーニングされたモデルは平均的な平均精度(mAP)が45.64%となり、推論速度はTesla K80 GPUで8.7FPSに達した。 いくつかの現代の空中物体検出器との比較研究により、YOLOv4はより優れた性能を示し、航空プラットフォームに組み込むのにより適した検出アルゴリズムが示唆された。
  論文  参考訳（メタデータ） (2022-03-18T23:51:09Z)
• DARDet: A Dense Anchor-free Rotated Object Detector in Aerial Images [11.45718985586972]
  空中画像における回転物体検出のための高密度アンカーフリー回転物体検出器(DARDet)を提案する。 我々のDARDetは、特徴マップの各前景ピクセルで回転したボックスの5つのパラメータを直接予測する。 提案手法は, 一般的に使用されている3つの空中オブジェクトデータセットに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-03T15:28:14Z)
• FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
  入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。 提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。 Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
  論文  参考訳（メタデータ） (2021-08-27T03:07:55Z)
• MRDet: A Multi-Head Network for Accurate Oriented Object Detection in Aerial Images [51.227489316673484]
  水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。 正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。 各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
  論文  参考訳（メタデータ） (2020-12-24T06:36:48Z)
• A Light-Weight Object Detection Framework with FPA Module for Optical Remote Sensing Imagery [12.762588615997624]
  本稿では,効率的なアンカーフリー物体検出器CenterFPANetを提案する。 速度を追求するために、軽量なバックボーンを使用し、非対称な革命ブロックを導入する。 この戦略は、検出速度を低下させることなく、リモートセンシング画像オブジェクト検出の精度を向上させることができる。
  論文  参考訳（メタデータ） (2020-09-07T12:41:17Z)
• Objects detection for remote sensing images based on polar coordinates [26.640452563317346]
  極座標系をディープラーニング検出器に初めて導入し, アンカーフリーの極リモートセンシングオブジェクト検出器(P-RSDet)を提案する。 P-RSDet法では、中心点を予測し、1つの極半径と2つの極角を回帰することにより、任意の方向の物体検出が可能である。 DOTA,UCAS-AOD,NWPU VHR-10データセットを用いた実験により,我々のP-RSDetはより単純なモデルとより少ない回帰パラメータで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-01-09T14:02:51Z)

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。