論文の概要: RSDet++: Point-based Modulated Loss for More Accurate Rotated Object Detection

• arxiv url: http://arxiv.org/abs/2109.11906v1
• Date: Fri, 24 Sep 2021 11:57:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-27 14:10:41.992555
• Title: RSDet++: Point-based Modulated Loss for More Accurate Rotated Object Detection
• Title（参考訳）: RSDet++: より正確な回転物体検出のためのポイントベース変調損失
• Authors: Wen Qian, Xue Yang, Silong Peng, Junchi Yan, Xiujuan Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.57176614020894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We classify the discontinuity of loss in both five-param and eight-param rotated object detection methods as rotation sensitivity error (RSE) which will result in performance degeneration. We introduce a novel modulated rotation loss to alleviate the problem and propose a rotation sensitivity detection network (RSDet) which is consists of an eight-param single-stage rotated object detector and the modulated rotation loss. Our proposed RSDet has several advantages: 1) it reformulates the rotated object detection problem as predicting the corners of objects while most previous methods employ a five-para-based regression method with different measurement units. 2) modulated rotation loss achieves consistent improvement on both five-param and eight-param rotated object detection methods by solving the discontinuity of loss. To further improve the accuracy of our method on objects smaller than 10 pixels, we introduce a novel RSDet++ which is consists of a point-based anchor-free rotated object detector and a modulated rotation loss. Extensive experiments demonstrate the effectiveness of both RSDet and RSDet++, which achieve competitive results on rotated object detection in the challenging benchmarks DOTA1.0, DOTA1.5, and DOTA2.0. We hope the proposed method can provide a new perspective for designing algorithms to solve rotated object detection and pay more attention to tiny objects. The codes and models are available at: https://github.com/yangxue0827/RotationDetection.
• Abstract（参考訳）: 本研究では,5パラメータと8パラメータの回転物体検出手法の損失の不連続性を回転感度誤差(RSE)として分類し,性能劣化をもたらす。 本研究では, この問題を緩和するために, 8パラメータの単段回転物体検出器と変調回転損失からなる回転感度検出ネットワーク(RSDet)を提案する。 私たちの提案するrsdetにはいくつかの利点があります。 1) 回転物体検出問題を物体の角の予測として再構成し, 従来手法では, 測定単位が異なる5パラメータ回帰法を採用している。 2) 変調回転損失は、損失の不連続性を解決することにより、5パラムおよび8パラム回転物体検出法の両方において一貫した改善を達成する。 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に,ポイントベースのアンカーフリー回転物体検出器と変調回転損失からなる新しいRSDet++を導入する。 RSDet と RSDet++ は、DOTA1.0, DOTA1.5, DOTA2.0 という挑戦的なベンチマークにおいて、オブジェクトの回転検出に競合する結果をもたらす。 提案手法は, 回転物体検出のアルゴリズムを設計し, 小型物体により多くの注意を払うための新たな視点を提供する。 コードとモデルは、https://github.com/yangxue0827/RotationDetection.comで入手できる。

関連論文リスト

• RIDE: Boosting 3D Object Detection for LiDAR Point Clouds via Rotation-Invariant Analysis [15.42293045246587]
  RIDEは3D LiDAR-point-based object DEtectorの回転不変性の先駆的な探索である。 回転に敏感ではあるが幾何をよく保持できる2機能抽出器と、幾何情報をある程度失うが回転に頑健な回転不変特徴を抽出する。 我々のRIDEは互換性があり、既存の1段と2段の3D検出器に簡単に接続でき、検出性能と回転ロバスト性の両方を高めることができる。
  論文  参考訳（メタデータ） (2024-08-28T08:53:33Z)
• FPDIoU Loss: A Loss Function for Efficient Bounding Box Regression of Rotated Object Detection [10.655167287088368]
  最小点距離に基づく任意の形状比較のための新しい計量法を提案する。 FPDIoU$損失は、最先端の回転オブジェクト検出に適用される。
  論文  参考訳（メタデータ） (2024-05-16T09:44:00Z)
• VI-Net: Boosting Category-level 6D Object Pose Estimation via Learning Decoupled Rotations on the Spherical Representations [55.25238503204253]
  作業を容易にするために,VI-Netと呼ばれる新しい回転推定ネットワークを提案する。 球面信号を処理するために、SPAtial Spherical Convolutionの新たな設計に基づいて、球面特徴ピラミッドネットワークを構築する。 ベンチマークデータセットの実験により,提案手法の有効性が確認された。
  論文  参考訳（メタデータ） (2023-08-19T05:47:53Z)
• ARS-DETR: Aspect Ratio-Sensitive Detection Transformer for Aerial Oriented Object Detection [55.291579862817656]
  既存のオブジェクト指向オブジェクト検出手法では、モデルの性能を測定するために計量AP$_50$が一般的である。 我々は、AP$_50$は本来、角度偏差に大きな耐性があるため、オブジェクト指向物体検出には適さないと主張している。 本稿では,ARS-DETR(Aspect Ratio Sensitive Oriented Object Detector with Transformer)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T02:20:56Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• Learning High-Precision Bounding Box for Rotated Object Detection via Kullback-Leibler Divergence [100.6913091147422]
  既存の回転物体検出器は、主に水平検出パラダイムから受け継がれている。 本稿では,回転回帰損失の設計を帰納パラダイムから導出手法に変更することを目的としている。
  論文  参考訳（メタデータ） (2021-06-03T14:29:19Z)
• ReDet: A Rotation-equivariant Detector for Aerial Object Detection [27.419045245853706]
  これらの問題に対処するために、回転等変性検出器(ReDet)を提案する。 回転同変ネットワークを検出器に組み込んで回転同変特徴を抽出する。 本手法は,空中物体検出作業における最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-03-13T15:37:36Z)
• 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。