Fugu-MT 論文翻訳(概要): Occlusion Handling in Generic Object Detection: A Review

論文の概要: Occlusion Handling in Generic Object Detection: A Review

arxiv url: http://arxiv.org/abs/2101.08845v1
Date: Thu, 21 Jan 2021 20:48:59 GMT
ステータス: 翻訳完了
システム内更新日: 2021-03-21 08:06:18.093440
Title: Occlusion Handling in Generic Object Detection: A Review
Title（参考訳）: ジェネリックオブジェクト検出におけるオクルージョンハンドリング
Authors: Kaziwa Saleh, S\'andor Sz\'en\'asi, Zolt\'an V\'amossy
Abstract要約: 屋外でも屋内でも汎用物体検出における閉塞処理の課題に対処します。本稿では,これらの課題を克服するための最近の取り組みについて述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The significant power of deep learning networks has led to enormous development in object detection. Over the last few years, object detector frameworks have achieved tremendous success in both accuracy and efficiency. However, their ability is far from that of human beings due to several factors, occlusion being one of them. Since occlusion can happen in various locations, scale, and ratio, it is very difficult to handle. In this paper, we address the challenges in occlusion handling in generic object detection in both outdoor and indoor scenes, then we refer to the recent works that have been carried out to overcome these challenges. Finally, we discuss some possible future directions of research.
Abstract（参考訳）: ディープラーニングネットワークの強大な力は、オブジェクト検出に大きな発展をもたらした。ここ数年、オブジェクト検出フレームワークは精度と効率の両方で大きな成功を収めてきた。しかし、その能力はいくつかの要因から人間の能力とはかけ離れており、その1つである。閉塞は様々な場所、規模、比率で起こりうるため、対処は非常に困難である。本稿では,屋外および屋内の両方の場面における総合物体検出における隠蔽処理の課題に対処し,これらの課題を克服するための最近の研究について述べる。最後に,今後の研究の方向性について述べる。

関連論文リスト

SurANet: Surrounding-Aware Network for Concealed Object Detection via Highly-Efficient Interactive Contrastive Learning Strategy [55.570183323356964]
本稿では,隠蔽物体検出のための新しいSurrounding-Aware Network,すなわちSurANetを提案する。周辺特徴の差分融合を用いて特徴写像のセマンティクスを強化し,隠蔽対象の強調を行う。次に、周囲の特徴写像を対照的に学習することで隠蔽対象を識別するために、周囲のコントラストロスを適用した。
論文参考訳（メタデータ） (2024-10-09T13:02:50Z)
V3Det Challenge 2024 on Vast Vocabulary and Open Vocabulary Object Detection: Methods and Results [142.5704093410454]
V3Det Challenge 2024は、オブジェクト検出研究の境界を推し進めることを目的としている。 Vast Vocabulary Object DetectionとOpen Vocabulary Object Detectionの2つのトラックで構成されている。我々は,広い語彙とオープン語彙のオブジェクト検出において,今後の研究の方向性を刺激することを目指している。
論文参考訳（メタデータ） (2024-06-17T16:58:51Z)
Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
論文参考訳（メタデータ） (2024-05-13T14:44:22Z)
Open Challenges for Monocular Single-shot 6D Object Pose Estimation [15.01623452269803]
オブジェクトポーズ推定は、ロボット操作、ビンピック、拡張現実、シーン理解を可能にする非自明なタスクである。単分子オブジェクトのポーズ推定は、高い性能のディープラーニングベースのソリューションの台頭とともに、かなりの勢いを増した。我々は、研究者が関連する研究のアイデアを定式化し、技術の現状を効果的に進めるために、有望な研究の方向性を特定する。
論文参考訳（メタデータ） (2023-02-23T07:26:50Z)
Oriented Object Detection in Optical Remote Sensing Images using Deep Learning: A Survey [10.610306616456278]
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。近年のディープラーニングの進歩により、オブジェクト指向物体検出の能力は大幅に向上した。
論文参考訳（メタデータ） (2023-02-21T06:31:53Z)
Object Permanence in Object Detection Leveraging Temporal Priors at Inference Time [11.255962936937744]
粒子フィルタからのインスピレーションを引き出す2つのステージ検出手法に、明示的な物体永続性を導入する。我々の検出器は、推定時の現在のフレームに対する追加提案として、以前のフレームの予測を使用する。実験では、計算オーバーヘッドが少なく、最大10.3 mAPで検出性能を向上させるフィードバックループを確認した。
論文参考訳（メタデータ） (2022-11-28T16:24:08Z)
Learning to Track Object Position through Occlusion [32.458623495840904]
オクルージョンは、物体検出器やトラッカーが直面する最も重要な課題の1つである。本稿では,領域ベースビデオオブジェクト検出装置の成功に基づくトラッキング・バイ・検出手法を提案する。提案手法は,インターネットから収集した家具組立ビデオのデータセットにおいて,優れた結果が得られる。
論文参考訳（メタデータ） (2021-06-20T22:29:46Z)
Detecting Invisible People [58.49425715635312]
我々は,追跡ベンチマークを再利用し,目立たない物体を検出するための新しい指標を提案する。私たちは、現在の検出および追跡システムがこのタスクで劇的に悪化することを実証します。第2に,最先端の単眼深度推定ネットワークによる観測結果を用いて,3次元で明示的に推論する動的モデルを構築した。
論文参考訳（メタデータ） (2020-12-15T16:54:45Z)
Deep Learning for Anomaly Detection: A Review [150.9270911031327]
本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
論文参考訳（メタデータ） (2020-07-06T02:21:16Z)
Progressive Object Transfer Detection [84.48927705173494]
本稿では,新しいプログレッシブオブジェクト転送検出(POTD)フレームワークを提案する。第一に、POTDは様々なドメインの様々なオブジェクトを効果的にプログレッシブな検出手順に活用することができる。第2に、POTDは2つの微妙な転送段階、すなわち、LSTD(low-Shot Transfer Detection)とWSTD(Weakly Supervised Transfer Detection)から構成される。
論文参考訳（メタデータ） (2020-02-12T00:16:24Z)

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。