論文の概要: Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges

• arxiv url: http://arxiv.org/abs/2102.12219v1
• Date: Wed, 24 Feb 2021 11:20:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 13:29:20.189143
• Title: Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges
• Title（参考訳）: 空中画像における物体検出:大規模ベンチマークと課題
• Authors: Jian Ding, Nan Xue, Gui-Song Xia, Xiang Bai, Wen Yang, Micheal Ying Yang, Serge Belongie, Jiebo Luo, Mihai Datcu, Marcello Pelillo, Liangpei Zhang
• Abstract要約: 航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。 提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。 70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
• 参考スコア（独自算出の注目度）: 124.48654341780431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the past decade, object detection has achieved significant progress in natural images but not in aerial images, due to the massive variations in the scale and orientation of objects caused by the bird's-eye view of aerial images. More importantly, the lack of large-scale benchmarks becomes a major obstacle to the development of object detection in aerial images (ODAI). In this paper, we present a large-scale Dataset of Object deTection in Aerial images (DOTA) and comprehensive baselines for ODAI. The proposed DOTA dataset contains 1,793,658 object instances of 18 categories of oriented-bounding-box annotations collected from 11,268 aerial images. Based on this large-scale and well-annotated dataset, we build baselines covering 10 state-of-the-art algorithms with over 70 configurations, where the speed and accuracy performances of each model have been evaluated. Furthermore, we provide a uniform code library for ODAI and build a website for testing and evaluating different algorithms. Previous challenges run on DOTA have attracted more than 1300 teams worldwide. We believe that the expanded large-scale DOTA dataset, the extensive baselines, the code library and the challenges can facilitate the designs of robust algorithms and reproducible research on the problem of object detection in aerial images.
• Abstract（参考訳）: 過去10年間で、空中画像の鳥の目視によって引き起こされる物体のスケールと向きの大規模な変化により、物体検出は自然画像において顕著な進歩を遂げてきたが、空中画像では行われなかった。 さらに重要なのは、大規模なベンチマークの欠如は、空中画像(ODAI)における物体検出の開発の大きな障害になります。 本稿では,DOTA(Aerial Image)におけるObject deTectionの大規模データセットとODAIの総合ベースラインについて述べる。 提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。 この大規模で注釈付きデータセットに基づいて、70以上の構成を持つ10以上の最先端アルゴリズムをカバーするベースラインを構築し、各モデルの速度と精度を評価した。 さらに、ODAIのための一様コードライブラリを提供し、異なるアルゴリズムをテストおよび評価するためのウェブサイトを構築します。 DOTAで実施された以前の課題は、世界中で1300以上のチームを引き寄せている。 大規模なDOTAデータセット、広範なベースライン、コードライブラリ、課題は、堅牢なアルゴリズムの設計と空中画像における物体検出の問題の再現可能な研究を促進することができると考えています。

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)
• FlightScope: A Deep Comprehensive Review of Aircraft Detection Algorithms in Satellite Imagery [2.9687381456164004]
  本稿では,衛星画像中の航空機を識別するタスク用にカスタマイズされた,高度な物体検出アルゴリズム群を批判的に評価し,比較する。 この研究は、YOLOバージョン5と8、より高速なRCNN、CenterNet、RetinaNet、RTMDet、DETRを含む一連の方法論を含む。 YOLOv5は空中物体検出のための堅牢なソリューションとして登場し、平均的精度、リコール、ユニオンのスコアに対するインターセクションによってその重要性を裏付けている。
  論文  参考訳（メタデータ） (2024-04-03T17:24:27Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• On the Robustness of Object Detection Models in Aerial Images [37.50307094643692]
  DOTA-v1.0に基づく新しいベンチマークを2つ導入する。 第1のベンチマークは、19の一般的な汚職を含むが、第2のベンチマークは、クラウド崩壊したイメージに焦点を当てている。 改良されたモデルアーキテクチャ,大規模ネットワーク,高度に構築されたモジュール,および巧妙なデータ拡張戦略により,航空物体検出モデルの堅牢性が向上することがわかった。
  論文  参考訳（メタデータ） (2023-08-29T15:16:51Z)
• ARUBA: An Architecture-Agnostic Balanced Loss for Aerial Object Detection [24.085715205081385]
  我々は、オブジェクトのサイズを画像中の画素数、サイズ不均衡として、データセット内の特定のサイズのオブジェクトの過剰表現として表現する。 本稿では,任意のオブジェクト検出モデル上にプラグインとして適用可能な,新しいARchitectUre-Agnostic BAlanced Loss (ARUBA)を提案する。
  論文  参考訳（メタデータ） (2022-10-10T11:28:16Z)
• SODA: Site Object Detection dAtaset for Deep Learning in Construction [3.5061054566652]
  本稿では,Site Object Detection dAtaset (SODA) と呼ばれる,建設現場で収集・注釈付の大規模画像データセットを開発する。 異なる現場条件、気象条件、建設段階において複数の建設現場から2万枚以上の画像が収集され、異なる角度と視点をカバーした。 慎重なスクリーニングと処理の後、286,201個のオブジェクトを含む19,846個の画像が得られた。
  論文  参考訳（メタデータ） (2022-02-19T09:09:23Z)
• Object Detection in Aerial Images: What Improves the Accuracy? [9.857292888257144]
  空中画像における物体検出問題に対して,ディープラーニングに基づく物体検出手法が積極的に研究されている。 本研究では,空中物体検出におけるFaster R-CNNの影響について検討し,航空画像の性能向上のための数多くの戦略を探求する。
  論文  参考訳（メタデータ） (2022-01-21T16:22:48Z)
• Large-Scale Unsupervised Object Discovery [80.60458324771571]
  教師なしオブジェクトディスカバリ(UOD)は、パフォーマンスを損なう近似なしでは、大規模なデータセットにスケールアップしない。 本稿では,固有値問題やリンク解析に利用できる分散手法の武器として,ランク付け問題としてのUODの新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-06-12T00:29:49Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)
• Counting dense objects in remote sensing images [52.182698295053264]
  特定の画像から関心のあるオブジェクトの数を推定するのは、難しいが重要な作業である。 本稿では,リモートセンシング画像から高密度物体を数えることに興味がある。 これらの課題に対処するために,我々はまず,リモートセンシング画像に基づく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） (2020-02-14T09:13:54Z)

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。