論文の概要: TS4Net: Two-Stage Sample Selective Strategy for Rotating Object Detection

• arxiv url: http://arxiv.org/abs/2108.03116v1
• Date: Fri, 6 Aug 2021 13:38:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 16:45:21.336788
• Title: TS4Net: Two-Stage Sample Selective Strategy for Rotating Object Detection
• Title（参考訳）: TS4Net:オブジェクトの回転検出のための2段階サンプル選択戦略
• Authors: Kai Feng, Weixing Li, Jun Han, Feng Pan, Dongdong Zheng
• Abstract要約: UAV-RODは1577枚の画像と30,090個の車種からなる。 UAV-RODは、回転物体検出、車両方向認識、および物体カウントタスクに使用できる。 本稿では、アンカーリファインメントモジュール(ARM)と2段階サンプル選択戦略(TS4)を含む回転物体検出器TS4Netを提案する。
• 参考スコア（独自算出の注目度）: 6.496301096839213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rotating object detection has wide applications in aerial photographs, remote sensing images, UAVs, etc. At present, most of the rotating object detection datasets focus on the field of remote sensing, and these images are usually shot in high-altitude scenes. However, image datasets captured at low-altitude areas also should be concerned, such as drone-based datasets. So we present a low-altitude dronebased dataset, named UAV-ROD, aiming to promote the research and development in rotating object detection and UAV applications. The UAV-ROD consists of 1577 images and 30,090 instances of car category annotated by oriented bounding boxes. In particular, The UAV-ROD can be utilized for the rotating object detection, vehicle orientation recognition and object counting tasks. Compared with horizontal object detection, the regression stage of the rotation detection is a tricky problem. In this paper, we propose a rotating object detector TS4Net, which contains anchor refinement module (ARM) and two-stage sample selective strategy (TS4). The ARM can convert preseted horizontal anchors into high-quality rotated anchors through twostage anchor refinement. The TS4 module utilizes different constrained sample selective strategies to allocate positive and negative samples, which is adaptive to the regression task in different stages. Benefiting from the ARM and TS4, the TS4Net can achieve superior performance for rotating object detection solely with one preseted horizontal anchor. Extensive experimental results on UAV-ROD dataset and three remote sensing datasets DOTA, HRSC2016 and UCAS-AOD demonstrate that our method achieves competitive performance against most state-of-the-art methods.
• Abstract（参考訳）: 回転物体検出は、空中写真、リモートセンシング画像、UAV等に広く応用されている。 現在、回転する物体検出データセットのほとんどはリモートセンシングの分野に焦点を当てており、これらの画像は通常高高度のシーンで撮影される。 しかし、低高度で撮影された画像データセット、例えばドローンベースのデータセットも考慮すべきである。 そこで我々は、回転物体検出とUAV応用の研究開発を促進するために、UAV-RODという低高度ドローンベースのデータセットを提案する。 UAV-RODは1577枚の画像と30,090個の車種からなる。 特に、UAV-RODは、回転物体検出、車両の向き認識、物体カウントタスクに利用できる。 水平方向の物体検出と比較すると、回転検出の回帰段階は難しい問題である。 本稿では、アンカーリファインメントモジュール(ARM)と2段階サンプル選択戦略(TS4)を含む回転物体検出器TS4Netを提案する。 ARMは、予め設定された水平アンカーを、2段のアンカーの改良により高品質なローテーションアンカーに変換することができる。 TS4モジュールは、異なる段階の回帰タスクに適応する正と負のサンプルを割り当てるために、異なる制約されたサンプル選択戦略を利用する。 アームとts4の利点により、ts4netは1つのプリセットされた水平アンカーのみで回転物体検出に優れた性能を達成できる。 uav-rodデータセットと3つのリモートセンシングデータセットに関する広範囲な実験結果から,本手法が最先端手法と競合する性能を実現することを証明した。

関連論文リスト

• 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)
• RotaTR: Detection Transformer for Dense and Rotated Object [0.49764328892172144]
  指向性検出へのDETRの拡張として,回転物体検出TRansformer(RotaTR)を提案する。 具体的には、DTRの指向目標検出能力を高めるために、回転感度変形(RSDeform)アテンションを設計する。 RotaTRは、元のDETRと比較して密度と向きの強い物体を検出するのに大きな利点を示している。
  論文  参考訳（メタデータ） (2023-12-05T15:06:04Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Adaptive Rotated Convolution for Rotated Object Detection [96.94590550217718]
  本稿では、回転物体検出問題に対処するために、適応回転変換(ARC)モジュールを提案する。 ARCモジュールでは、コンボリューションカーネルが適応的に回転し、異なる画像に異なる向きのオブジェクト特徴を抽出する。 提案手法は,81.77%mAPのDOTAデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-03-14T11:53:12Z)
• Radar Guided Dynamic Visual Attention for Resource-Efficient RGB Object Detection [10.983063391496543]
  自動運転車の認識品質を向上させるために,RGB画像に対する新しいレーダー誘導空間アテンションを提案する。 提案手法は,RGBモードの物体検出装置では検出されない小型・長距離物体の知覚を改善する。
  論文  参考訳（メタデータ） (2022-06-03T18:29:55Z)
• Fully Convolutional One-Stage 3D Object Detection on LiDAR Range Images [96.66271207089096]
  FCOS-LiDARは、自律走行シーンのLiDAR点雲のための完全な1段式3Dオブジェクト検出器である。 標準的な2Dコンボリューションを持つRVベースの3D検出器は、最先端のBEVベースの検出器と同等の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-05-27T05:42:16Z)
• DARDet: A Dense Anchor-free Rotated Object Detector in Aerial Images [11.45718985586972]
  空中画像における回転物体検出のための高密度アンカーフリー回転物体検出器(DARDet)を提案する。 我々のDARDetは、特徴マップの各前景ピクセルで回転したボックスの5つのパラメータを直接予測する。 提案手法は, 一般的に使用されている3つの空中オブジェクトデータセットに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-03T15:28:14Z)
• RSDet++: Point-based Modulated Loss for More Accurate Rotated Object Detection [53.57176614020894]
  我々は、回転感度誤差(RSE)として、5パラメータと8パラメータの回転物体検出法の両方における損失の不連続性を分類する。 問題を軽減するために新しい変調された回転損失を導入し、回転感度検出ネットワーク(RSDet)を提案する。 10ピクセル未満のオブジェクトに対する本手法の精度をさらに向上するため,新しいRSDet++を提案する。
  論文  参考訳（メタデータ） (2021-09-24T11:57:53Z)
• Perceiving Traffic from Aerial Images [86.994032967469]
  本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-16T11:37:43Z)
• SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
  小さくて散らばった物体は実世界では一般的であり、検出は困難である。 本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。 機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
  論文  参考訳（メタデータ） (2020-04-28T06:03:54Z)

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。