論文の概要: Learning Polar Encodings for Arbitrary-Oriented Ship Detection in SAR
Images
- arxiv url: http://arxiv.org/abs/2103.13151v1
- Date: Wed, 24 Mar 2021 12:52:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 16:13:18.830287
- Title: Learning Polar Encodings for Arbitrary-Oriented Ship Detection in SAR
Images
- Title（参考訳）: SAR画像における任意方向船体検出のための極性符号化の学習
- Authors: Yishan He, Fei Gao, Jun Wang, Amir Hussain, Erfu Yang, Huiyu Zhou
- Abstract要約: oriented bounding box (obb) に基づく手法は研究者から徐々に注目を集めている。
最近提案された深層学習に基づくOBB検出手法のほとんどは、角度やキーポイント回帰における境界不連続問題に遭遇する。
本稿では,極性符号化を学習し,SAR船の検出を提案する。
- 参考スコア（独自算出の注目度）: 22.93997487064683
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Common horizontal bounding box (HBB)-based methods are not capable of
accurately locating slender ship targets with arbitrary orientations in
synthetic aperture radar (SAR) images. Therefore, in recent years, methods
based on oriented bounding box (OBB) have gradually received attention from
researchers. However, most of the recently proposed deep learning-based methods
for OBB detection encounter the boundary discontinuity problem in angle or key
point regression. In order to alleviate this problem, researchers propose to
introduce some manually set parameters or extra network branches for
distinguishing the boundary cases, which make training more diffcult and lead
to performance degradation. In this paper, in order to solve the boundary
discontinuity problem in OBB regression, we propose to detect SAR ships by
learning polar encodings. The encoding scheme uses a group of vectors pointing
from the center of the ship target to the boundary points to represent an OBB.
The boundary discontinuity problem is avoided by training and inference
directly according to the polar encodings. In addition, we propose an Intersect
over Union (IOU) -weighted regression loss, which further guides the training
of polar encodings through the IOU metric and improves the detection
performance. Experiments on the Rotating SAR Ship Detection Dataset (RSSDD)
show that the proposed method can achieve better detection performance over
other comparison algorithms and other OBB encoding schemes, demonstrating the
effectiveness of our method.
- Abstract（参考訳）: 共通水平バウンディングボックス(HBB)ベースの手法は、合成開口レーダ(SAR)画像において、任意の向きで細い船のターゲットを正確に特定することができない。
そのため,近年,オブジェクト指向境界ボックス(OBB)に基づく手法が研究者から徐々に注目されている。
しかし、最近提案された深層学習に基づくOBB検出手法のほとんどは、角度やキーポイント回帰における境界不連続問題に遭遇する。
この問題を緩和するために、研究者は境界ケースを区別するために手動で設定したパラメータや追加のネットワークブランチを導入することを提案する。
本稿では,OBB回帰における境界不連続問題を解決するために,極性符号化を学習してSAR船を検出することを提案する。
符号化方式は、船の目標の中心から境界点へ向けられたベクトル群を用いて、OBBを表す。
境界不連続問題は、極性符号化に従って直接トレーニングおよび推論によって回避される。
さらに、IOUメトリックによる極性符号化のトレーニングをさらに指導し、検出性能を向上させるIntersect over Union (IOU)-weighted regression lossを提案する。
RSSDD(Rotating SAR Ship Detection Dataset)実験により,提案手法は,他の比較アルゴリズムやOBB符号化方式よりも優れた検出性能を実現し,本手法の有効性を示す。
関連論文リスト
- Bagged Regularized $k$-Distances for Anomaly Detection [9.899763598214122]
BRDAD (Bagged regularized $k$-distances for Anomaly Detection) と呼ばれる距離に基づく新しいアルゴリズムを提案する。
我々のBRDADアルゴリズムは、重み付けされた密度推定のための$k$-distances(BWDDE)の実証的リスクの有限標本境界を最小化して重みを選択する。
理論的には,我々のアルゴリズムに対するAUCの高速収束率を確立し,バッグング手法が計算複雑性を著しく減少させることを示す。
論文 参考訳（メタデータ） (2023-12-02T07:00:46Z) - Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。
現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。
疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
論文 参考訳（メタデータ） (2023-10-19T12:59:55Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - Anchor Free remote sensing detector based on solving discrete polar
coordinate equation [4.708085033897991]
回転・多スケール物体を検出するためのAnchor Free Aviatic Remote Sensor Object Detector (BWP-Det) を提案する。
具体的には、インタラクティブなダブルブランチ(IDB)アップサンプリングネットワークを設計し、ヒートマップの予測に1つのブランチを徐々にアップサンプリングする。
我々は、前景と背景の違いを強調するために、重み付きマルチスケール畳み込み(WmConv)を改善した。
論文 参考訳（メタデータ） (2023-03-21T09:28:47Z) - Open-Set Semi-Supervised Object Detection [43.464223594166654]
近年,Semi-Supervised Object Detection (SSOD) の開発が進められている。
我々は、より実用的で難しい問題、OSSOD(Open-Set Semi-Supervised Object Detection)を考える。
提案フレームワークはセマンティック拡張問題に効果的に対処し,OSSODベンチマークにおける一貫した改善を示す。
論文 参考訳（メタデータ） (2022-08-29T17:04:30Z) - Mitigating the Mutual Error Amplification for Semi-Supervised Object
Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。
他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文 参考訳（メタデータ） (2022-01-26T03:34:57Z) - 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) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳（メタデータ） (2020-10-29T06:32:53Z) - A Novel CNN-based Method for Accurate Ship Detection in HR Optical
Remote Sensing Images via Rotated Bounding Box [10.689750889854269]
船舶検出における現在のCNN法に共通する欠点を克服し, 新たなCNNに基づく船舶検出手法を提案する。
配向と他の変数を独立に予測できるが、より効果的に、新しい二分岐回帰ネットワークで予測できる。
船体検出において提案手法が優れていることを示す実験結果が得られた。
論文 参考訳（メタデータ） (2020-04-15T14:48:46Z) - On the Arbitrary-Oriented Object Detection: Classification based
Approaches Revisited [94.5455251250471]
まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。
我々は、角予測タスクを回帰問題から分類問題に変換する。
得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
論文 参考訳（メタデータ） (2020-03-12T03:23:54Z)
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。