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: 処理完了
- 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
- 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) - 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) - 4D Unsupervised Object Discovery [53.561750858325915]
本研究では,3次元点雲と2次元RGB画像の時間的情報を用いた4次元データからオブジェクトを共同で検出する4次元非教師対象探索を提案する。
本稿では,2次元ローカライゼーションネットワークで協調的に最適化された3次元点雲上にClusterNetを提案することで,この課題に対する最初の実践的アプローチを提案する。
論文 参考訳(メタデータ) (2022-10-10T16:05:53Z) - AdaAfford: Learning to Adapt Manipulation Affordance for 3D Articulated
Objects via Few-shot Interactions [13.802675708793014]
キャビネット、ドア、蛇口などの3D音声による物体の認識と相互作用は、将来のホームアシストロボットに特別な課題をもたらす。
我々はAdaAffordという名の新しいフレームワークを提案し、より正確なインスタンス固有の後付けに手軽さを迅速に適応するために、ごく少数のテスト時間インタラクションを実行することを学習する。
論文 参考訳(メタデータ) (2021-12-01T03:00:05Z) - 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) - Counting from Sky: A Large-scale Dataset for Remote Sensing Object
Counting and A Benchmark Method [52.182698295053264]
リモートセンシング画像から高密度物体をカウントすることに興味がある。自然界における物体のカウントと比較すると、このタスクは、大規模変動、複雑な乱れ背景、配向仲裁といった要因において困難である。
これらの課題に対処するために,我々はまず,4つの重要な地理的対象を含むリモートセンシング画像を用いた大規模オブジェクトカウントデータセットを構築した。
次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
論文 参考訳(メタデータ) (2020-08-28T03:47:49Z) - Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。
より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。
5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文 参考訳(メタデータ) (2020-07-17T15:41:37Z) - 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。
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。