論文の概要: Slender Object Detection: Diagnoses and Improvements
- arxiv url: http://arxiv.org/abs/2011.08529v4
- Date: Wed, 7 Apr 2021 02:35:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 16:57:32.170397
- Title: Slender Object Detection: Diagnoses and Improvements
- Title（参考訳）: スレンダーオブジェクト検出:診断と改善
- Authors: Zhaoyi Wan, Yimin Chen, Sutao Deng, Kunpeng Chen, Cong Yao, Jiebo Luo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 74.40792217534
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we are concerned with the detection of a particular type of
objects with extreme aspect ratios, namely \textbf{slender objects}. In
real-world scenarios, slender objects are actually very common and crucial to
the objective of a detection system. However, this type of objects has been
largely overlooked by previous object detection algorithms. Upon our
investigation, for a classical object detection method, a drastic drop of
$18.9\%$ mAP on COCO is observed, if solely evaluated on slender objects.
Therefore, we systematically study the problem of slender object detection in
this work. Accordingly, an analytical framework with carefully designed
benchmark and evaluation protocols is established, in which different
algorithms and modules can be inspected and compared. \New Our study reveals
that effective slender object detection can be achieved ~\textbf{with none of}
(1) anchor-based localization; (2) specially designed box representations.
Instead, \textbf{the critical aspect of improving slender object detection is
feature adaptation}. It identifies and extends the insights of existing methods
that are previously underexploited. Furthermore, we propose a feature adaption
strategy that achieves clear and consistent improvements over current
representative object detection methods.
- Abstract（参考訳）: 本稿では,極端なアスペクト比を持つ特定の種類のオブジェクト,すなわち \textbf{slender objects} の検出について述べる。
現実のシナリオでは、細長いオブジェクトは実際には非常に一般的であり、検出システムの目的に不可欠である。
しかし、この種のオブジェクトは、以前のオブジェクト検出アルゴリズムによってほとんど見過ごされている。
本研究は,従来の物体検出法において,細い物体に対してのみ評価した場合,COCOに対する18.9 %$ mAPの劇的な低下を観察するものである。
そこで本研究では,slender object detectionの問題を体系的に検討する。
したがって、異なるアルゴリズムとモジュールを検査比較可能なベンチマークおよび評価プロトコルを慎重に設計した分析フレームワークが確立される。
新たな研究では,(1)アンカーに基づくローカライズ,(2)特別に設計されたボックス表現,〜\textbf{with none of} (1)を効果的に検出できることが判明した。
代わりに、 \textbf{スレンダーオブジェクト検出を改善する重要な側面は機能適応である。
それまで過小評価されていた既存のメソッドの洞察を識別し、拡張する。
さらに,現在の代表オブジェクト検出手法よりも明確で一貫した改善を実現する機能適応戦略を提案する。
関連論文リスト
- 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) - 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) - Cycle Consistency Driven Object Discovery [75.60399804639403]
本研究では,シーンの各オブジェクトが異なるスロットに関連付けられなければならない制約を明示的に最適化する手法を提案する。
これらの一貫性目標を既存のスロットベースのオブジェクト中心手法に統合することにより、オブジェクト発見性能を大幅に改善することを示す。
提案手法は,オブジェクト発見を改善するだけでなく,下流タスクのよりリッチな機能も提供することを示唆している。
論文 参考訳（メタデータ） (2023-06-03T21:49:06Z) - Fast and Accurate Object Detection on Asymmetrical Receptive Field [0.0]
本稿では,物体検出精度を受容場の変化の観点から改善する手法を提案する。
YOLOv5の頭部の構造は、非対称なプール層を付加することによって改変される。
本稿では, 従来の YOLOv5 モデルと比較し, いくつかのパラメータから解析する。
論文 参考訳（メタデータ） (2023-03-15T23:59:18Z) - Oriented Object Detection in Optical Remote Sensing Images using Deep Learning: A Survey [10.665235711722076]
オブジェクト指向物体検出は、リモートセンシングにおいて最も基本的で困難なタスクの1つである。
近年,ディープラーニング技術を用いたオブジェクト指向物体検出の進歩が目覚ましい。
論文 参考訳（メタデータ） (2023-02-21T06:31:53Z) - Long Range Object-Level Monocular Depth Estimation for UAVs [0.0]
本稿では,画像からモノクロ物体を長距離検出するための最先端手法の新たな拡張法を提案する。
まず、回帰タスクとして深度推定をモデル化する際、SigmoidおよびReLUライクエンコーディングを提案する。
次に,深度推定を分類問題とし,訓練損失の計算にソフトアルグマックス関数を導入する。
論文 参考訳（メタデータ） (2023-02-17T15:26:04Z) - 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) - Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。
本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
論文 参考訳（メタデータ） (2021-12-21T17:10:21Z) - Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。
最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。
それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文 参考訳（メタデータ） (2021-04-16T21:35:08Z) - Class-agnostic Object Detection [16.97782147401037]
本稿では,オブジェクトのクラスに関係なくオブジェクトを検出することに焦点を当てた新しい問題として,クラスに依存しないオブジェクト検出を提案する。
具体的には、イメージ内のすべてのオブジェクトのバウンディングボックスを予測することであり、オブジェクトクラスではない。
本稿では,この領域における今後の研究を進めるために,クラス非依存検出器のベンチマークのためのトレーニングおよび評価プロトコルを提案する。
論文 参考訳（メタデータ） (2020-11-28T19:22:38Z)
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。