論文の概要: cofga: A Dataset for Fine Grained Classification of Objects from Aerial Imagery

• arxiv url: http://arxiv.org/abs/2105.12786v1
• Date: Wed, 26 May 2021 18:39:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-28 16:23:53.298018
• Title: cofga: A Dataset for Fine Grained Classification of Objects from Aerial Imagery
• Title（参考訳）: cofga:航空画像からの物体の細粒度分類のためのデータセット
• Authors: Eran Dahan, Tzvi Diskin, Amit Amram, Amit Moryossef, Omer Koren
• Abstract要約: 細粒度分類研究の発展のための新しいオープンデータセットであるCOFGAを紹介する。 データセットの2,104枚の画像は、地上515cmの地中撮影システムから収集される。 14256個の注釈付きオブジェクトは、2つのクラス、15のサブクラス、14のユニークな特徴、8の知覚された色に分類された。
• 参考スコア（独自算出の注目度）: 2.169919643934826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detection and classification of objects in overhead images are two important and challenging problems in computer vision. Among various research areas in this domain, the task of fine-grained classification of objects in overhead images has become ubiquitous in diverse real-world applications, due to recent advances in high-resolution satellite and airborne imaging systems. The small inter-class variations and the large intra class variations caused by the fine grained nature make it a challenging task, especially in low-resource cases. In this paper, we introduce COFGA a new open dataset for the advancement of fine-grained classification research. The 2,104 images in the dataset are collected from an airborne imaging system at 5 15 cm ground sampling distance, providing higher spatial resolution than most public overhead imagery datasets. The 14,256 annotated objects in the dataset were classified into 2 classes, 15 subclasses, 14 unique features, and 8 perceived colors a total of 37 distinct labels making it suitable to the task of fine-grained classification more than any other publicly available overhead imagery dataset. We compare COFGA to other overhead imagery datasets and then describe some distinguished fine-grain classification approaches that were explored during an open data-science competition we have conducted for this task.
• Abstract（参考訳）: 頭上画像における物体の検出と分類は、コンピュータビジョンにおいて重要な2つの問題である。 この領域の様々な研究領域の中で、高解像度衛星や空中撮像装置の最近の進歩により、様々な実世界の応用において、物体のきめ細かい分類が広く行われている。 クラス間の小さなバリエーションと粒度の細かい性質によって引き起こされる大きなクラス内変異は、特に低リソースの場合において難しい課題となる。 本稿では,細粒度分類研究の進展に向けて,新しいオープンデータセットcofgaを提案する。 2,104枚の画像は、515cmの地上サンプリング距離で空中撮像システムから収集され、ほとんどの公共のオーバーヘッド画像データセットよりも高い空間分解能を提供する。 データセット中の14256個の注釈付きオブジェクトは、2つのクラス、15のサブクラス、14のユニークな特徴、8の知覚された色に分類され、37の異なるラベルが付けられ、他のどの画像データセットよりもきめ細かい分類に適している。 我々はCOFGAを他のオーバーヘッド画像データセットと比較し、このタスクのために実施したオープンデータサイエンスコンペティションで行われた、いくつかの際立った微粒分類アプローチについて述べる。

関連論文リスト

• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and Ground Truth [61.90504318229845]
  本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。 このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。 このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
  論文  参考訳（メタデータ） (2022-06-13T19:14:06Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• Exploring Vision Transformers for Fine-grained Classification [0.0]
  アーキテクチャ変更を必要とせずに情報領域をローカライズする,きめ細かな画像分類タスクのための多段階ViTフレームワークを提案する。 CUB-200-2011,Stanford Cars,Stanford Dogs,FGVC7 Plant Pathologyの4つのベンチマークを用いて,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-06-19T23:57:31Z)
• Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
  低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-05-01T13:19:02Z)
• FAIR1M: A Benchmark Dataset for Fine-grained Object Recognition in High-Resolution Remote Sensing Imagery [21.9319970004788]
  我々は,高分解能リモートセンシング画像において,100万以上のインスタンスと15,000以上の画像を含む新しいベンチマークデータセットを提案する。 FAIR1Mデータセットのすべてのオブジェクトは、指向境界ボックスによって5つのカテゴリと37のサブカテゴリに関してアノテートされます。
  論文  参考訳（メタデータ） (2021-03-09T17:20:15Z)
• Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges [124.48654341780431]
  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。
  論文  参考訳（メタデータ） (2021-02-24T11:20:55Z)
• Representative-Discriminative Learning for Open-set Land Cover Classification of Satellite Imagery [11.47389428456188]
  テスト中に未知のクラスに属するサンプルを識別するオープンセット土地被覆分類の問題について検討する。 本質的には分類問題であるが、データの代表的側面と差別的側面の両方を活用する必要がある。 本稿では,代表識別型オープンセット認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-21T15:28:56Z)
• Data Augmentation via Mixed Class Interpolation using Cycle-Consistent Generative Adversarial Networks Applied to Cross-Domain Imagery [16.870604081967866]
  機械学習による物体検出と非可視画像内の分類は多くの分野において重要な役割を担っている。 しかし、このような応用は、限られた量の非可視領域画像のためにしばしば苦しむ。 本稿では,可視光帯域画像を利用した新しいデータ拡張手法の提案と評価を行う。
  論文  参考訳（メタデータ） (2020-05-05T18:53:38Z)

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。