論文の概要: Oriented R-CNN for Object Detection

• arxiv url: http://arxiv.org/abs/2108.05699v1
• Date: Thu, 12 Aug 2021 12:47:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-13 14:32:30.135713
• Title: Oriented R-CNN for Object Detection
• Title（参考訳）: 物体検出のためのオブジェクト指向R-CNN
• Authors: Xingxing Xie, Gong Cheng, Jiabao Wang, Xiwen Yao, Junwei Han
• Abstract要約: 本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。 第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。 第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
• 参考スコア（独自算出の注目度）: 61.78746189807462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current state-of-the-art two-stage detectors generate oriented proposals through time-consuming schemes. This diminishes the detectors' speed, thereby becoming the computational bottleneck in advanced oriented object detection systems. This work proposes an effective and simple oriented object detection framework, termed Oriented R-CNN, which is a general two-stage oriented detector with promising accuracy and efficiency. To be specific, in the first stage, we propose an oriented Region Proposal Network (oriented RPN) that directly generates high-quality oriented proposals in a nearly cost-free manner. The second stage is oriented R-CNN head for refining oriented Regions of Interest (oriented RoIs) and recognizing them. Without tricks, oriented R-CNN with ResNet50 achieves state-of-the-art detection accuracy on two commonly-used datasets for oriented object detection including DOTA (75.87% mAP) and HRSC2016 (96.50% mAP), while having a speed of 15.1 FPS with the image size of 1024$\times$1024 on a single RTX 2080Ti. We hope our work could inspire rethinking the design of oriented detectors and serve as a baseline for oriented object detection. Code is available at https://github.com/jbwang1997/OBBDetection.
• Abstract（参考訳）: 最先端の2段階検出器は、時間消費スキームを通じて指向的な提案を生成する。 これにより検出器の速度が低下し、高度指向オブジェクト検出システムにおける計算ボトルネックとなる。 本研究は, 汎用的な2段階指向型検出器であるOriented R-CNNとよばれる, 効率的かつ簡便なオブジェクト指向物体検出フレームワークを提案する。 具体的には,第1段階では,高品質な提案をほぼコストのかかる方法で直接生成する指向型地域提案ネットワーク(指向型rpn)を提案する。 第2段階は、R-CNNヘッダで、関心の領域(オブジェクト指向RoI)を精製し、認識する。 ResNet50を用いたオブジェクト指向R-CNNは、DOTA (75.87% mAP) とHRSC2016 (96.50% mAP) を含む2つのオブジェクト指向検出用データセットの最先端検出精度を達成し、画像サイズは1024$\times$1024である。 我々の研究がオブジェクト指向検出器の設計を再考し、オブジェクト指向物体検出のベースラインとして機能することを願っている。 コードはhttps://github.com/jbwang1997/OBBDetectionで入手できる。

関連論文リスト

• A DeNoising FPN With Transformer R-CNN for Tiny Object Detection [25.892598910922004]
  そこで本稿では,Trans R-CNN (DNTR) を用いたFPNのデノベーション手法を提案する。 DNTRは、簡単なプラグイン設計、DeNoising FPN (DN-FPN)、効果的なTransformerベースの検出器であるTrans R-CNNで構成されている。 我々は、古いR-CNN検出器を新しいTrans R-CNN検出器に置き換え、自己注意を持つ小さな物体の表現に集中する。
  論文  参考訳（メタデータ） (2024-06-09T12:18:15Z)
• PETDet: Proposal Enhancement for Two-Stage Fine-Grained Object Detection [26.843891792018447]
  PETDet (Proposal Enhancement for Two-stage fine-fine object detection) は, 2段階FGOD法において, サブタスクをよりよく扱うために提案される。 動的ラベル割り当てと注意に基づく分解により, アンカーフリー品質指向提案ネットワーク(QOPN)を提案する。 A novel Adaptive Recognition Loss (ARL)は、R-CNNの責任者が高品質な提案に焦点を合わせるためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2023-12-16T18:04:56Z)
• 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 Oriented Proposal Generator for Object Detection [59.54125119453818]
  オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。 今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。 本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T10:45:51Z)
• PV-RCNN++: Point-Voxel Feature Set Abstraction With Local Vector Representation for 3D Object Detection [100.60209139039472]
  点雲からの正確な3次元検出を行うために,PointVoxel Region based Convolution Neural Networks (PVRCNNs)を提案する。 提案するPV-RCNNは,Openデータセットと高競争性KITTIベンチマークの両方において,従来の最先端3D検出方法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2021-01-31T14:51:49Z)
• MRDet: A Multi-Head Network for Accurate Oriented Object Detection in Aerial Images [51.227489316673484]
  水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。 正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。 各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
  論文  参考訳（メタデータ） (2020-12-24T06:36:48Z)
• Zero Cost Improvements for General Object Detection Network [6.072666305426913]
  2つのモジュールがコストゼロで検出精度を向上させるために提案されている。 パラメータの少ないマルチレベル特徴写像を効率的に融合するために,スケールアテンション機構を用いる。 実験の結果,2つのモジュールを持つネットワークはコストゼロで1.1 APと0.8 APを越えられることがわかった。
  論文  参考訳（メタデータ） (2020-11-16T07:21:57Z)
• Representation Sharing for Fast Object Detector Search and Beyond [38.18583590914755]
  本研究では,1段検出器のサブネットワークにおける受容場と畳み込み型の最適構成について,Fast And Diverse (FAD) を提案する。 FADは、様々なバックボーンを持つ2種類の1段検出器において顕著な改善を実現している。
  論文  参考訳（メタデータ） (2020-07-23T15:39:44Z)
• R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
  我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。 我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
  論文  参考訳（メタデータ） (2016-05-20T15:50:11Z)

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。