論文の概要: Dynamic Anchor Learning for Arbitrary-Oriented Object Detection
- arxiv url: http://arxiv.org/abs/2012.04150v2
- Date: Tue, 15 Dec 2020 13:18:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:18:55.079001
- Title: Dynamic Anchor Learning for Arbitrary-Oriented Object Detection
- Title（参考訳）: 任意指向物体検出のための動的アンカー学習
- Authors: Qi Ming, Zhiqiang Zhou, Lingjuan Miao, Hongwei Zhang, Linhao Li
- Abstract要約: 任意指向オブジェクトは、自然のシーン、空中写真、リモートセンシング画像などに広く現れる。
現在の回転検出器は、異なる向きのアンカーをたくさん使用して、地上の真実ボックスとの空間アライメントを実現します。
新たに定義されたマッチング度を利用した動的アンカー学習(DAL)法を提案する。
- 参考スコア（独自算出の注目度）: 4.247967690041766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Arbitrary-oriented objects widely appear in natural scenes, aerial
photographs, remote sensing images, etc., thus arbitrary-oriented object
detection has received considerable attention. Many current rotation detectors
use plenty of anchors with different orientations to achieve spatial alignment
with ground truth boxes, then Intersection-over-Union (IoU) is applied to
sample the positive and negative candidates for training. However, we observe
that the selected positive anchors cannot always ensure accurate detections
after regression, while some negative samples can achieve accurate
localization. It indicates that the quality assessment of anchors through IoU
is not appropriate, and this further lead to inconsistency between
classification confidence and localization accuracy. In this paper, we propose
a dynamic anchor learning (DAL) method, which utilizes the newly defined
matching degree to comprehensively evaluate the localization potential of the
anchors and carry out a more efficient label assignment process. In this way,
the detector can dynamically select high-quality anchors to achieve accurate
object detection, and the divergence between classification and regression will
be alleviated. With the newly introduced DAL, we achieve superior detection
performance for arbitrary-oriented objects with only a few horizontal preset
anchors. Experimental results on three remote sensing datasets HRSC2016, DOTA,
UCAS-AOD as well as a scene text dataset ICDAR 2015 show that our method
achieves substantial improvement compared with the baseline model. Besides, our
approach is also universal for object detection using horizontal bound box. The
code and models are available at https://github.com/ming71/DAL.
- Abstract（参考訳）: 任意指向物体は自然の風景や航空写真、リモートセンシング画像などに広く現れるため、任意指向物体検出は注目されている。
現在のローテーション検出器の多くは、異なる向きのアンカーを多数使用して、地上の真理箱と空間的アライメントを達成し、次に、IoU(Intersection-over-Union)を適用して、トレーニングの正と負の候補をサンプリングする。
しかし, 選択された正のアンカーは回帰後の正確な検出を常に保証できないが, 負のサンプルによっては正確な位置決めが可能である。
また,IoUによるアンカーの品質評価は適切ではなく,分類信頼度と局所化精度の整合性がもたらされることが示唆された。
本稿では,新たに定義されたマッチング度を用いて,アンカーの局在ポテンシャルを包括的に評価し,より効率的なラベル割当処理を行う動的アンカー学習(dal)手法を提案する。
このようにして、検出器は動的に高品質なアンカーを選択して正確な物体検出を実現し、分類と回帰のばらつきを緩和する。
新たに導入されたDALでは,数個の水平プリセットアンカーを持つ任意の対象に対して,優れた検出性能が得られる。
3つのリモートセンシングデータセット hrsc2016, dota, ucas-aod およびシーンテキストデータセット icdar 2015 の実験結果から,本手法はベースラインモデルと比較して相当な改善を達成した。
また,水平境界ボックスを用いた物体検出にも汎用性がある。
コードとモデルはhttps://github.com/ming71/dalで入手できる。
関連論文リスト
- 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) - SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。
提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文 参考訳（メタデータ） (2023-04-10T11:10:42Z) - Dynamic Label Assignment for Object Detection by Combining Predicted and
Anchor IoUs [20.41563386339572]
本稿では,予測付きトレーニング状況に基づいてラベル割り当てを動的に行うための,シンプルで効果的な手法を提案する。
本手法は,適応ラベル代入アルゴリズムによる検出モデルの性能改善を示す。
論文 参考訳（メタデータ） (2022-01-23T23:14:07Z) - Anchor Retouching via Model Interaction for Robust Object Detection in
Aerial Images [15.404024559652534]
本稿では,新しいトレーニングサンプルジェネレータを構築するために,動的拡張アンカー(DEA)ネットワークを提案する。
提案手法は,適度な推論速度とトレーニングの計算オーバーヘッドを伴って,最先端の性能を精度良く達成する。
論文 参考訳（メタデータ） (2021-12-13T14:37:20Z) - Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection [60.522877583407904]
現在のアンカーフリー物体検出器は非常に単純で有効であるが、正確なラベル割り当て方法がない。
Pseudo-Intersection-over-Union(Pseudo-IoU): アンカーフリーなオブジェクト検出フレームワークに、より標準化され、正確な割り当てルールをもたらす単純なメトリックである。
本手法はベルやホイッスルを使わずに最新のアンカーフリー手法と同等の性能を実現する。
論文 参考訳（メタデータ） (2021-04-29T02:48:47Z) - CFC-Net: A Critical Feature Capturing Network for Arbitrary-Oriented
Object Detection in Remote Sensing Images [0.9462808515258465]
本稿では,物体検出における識別的特徴の役割について論じる。
次に,検出精度を向上させるために,cfc-net (critical feature capture network) を提案する。
本手法は多くの最先端手法と比較して優れた検出性能が得られることを示す。
論文 参考訳（メタデータ） (2021-01-18T02:31:09Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳（メタデータ） (2020-11-19T05:42:02Z) - Align Deep Features for Oriented Object Detection [40.28244152216309]
本稿では、FAM(Feature Alignment Module)とODM(Oriented Detection Module)の2つのモジュールからなる単発アライメントネットワーク(S$2$A-Net)を提案する。
FAMは、アンカー・リファインメント・ネットワークで高品質なアンカーを生成し、アンカーボックスに応じた畳み込み特徴と、新しいアライメント・コンボリューション・コンボリューションとを適応的に調整することができる。
ODMは、まず、向き情報を符号化するためにアクティブな回転フィルタを採用し、次に、分類スコアとローカライゼーション精度の不整合を軽減するために、向きに敏感で方向不変な特徴を生成する。
論文 参考訳（メタデータ） (2020-08-21T09:55:13Z) - AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
Auto COCOは、物体検出のためのアンカーフリー検出器である。
外観認識は、完全に微分可能な重み付け機構によって実現される。
我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
論文 参考訳（メタデータ） (2020-07-07T14:32:21Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳（メタデータ） (2020-05-11T04:00:09Z)
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。