論文の概要: A General Gaussian Heatmap Labeling for Arbitrary-Oriented Object Detection

• arxiv url: http://arxiv.org/abs/2109.12848v1
• Date: Mon, 27 Sep 2021 07:46:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:26:24.780305
• Title: A General Gaussian Heatmap Labeling for Arbitrary-Oriented Object Detection
• Title（参考訳）: 任意指向物体検出のための一般ガウス熱マップラベリング
• Authors: Zhanchao Huang, Wei Li, Xiang-Gen Xia, and Ran Tao
• Abstract要約: 正の候補を定義するために、アンカーフリーなオブジェクト適応ラベル割り当て(OLA)戦略が提示される。 OBBを表すために、オブジェクト指向バウンディングボックス(OBB)表現コンポーネント(ORC)が開発された。 領域正規化と動的信頼度重み付けを併用した共同最適化損失(JOL)は、誤った最適結果を洗練するために設計されている。
• 参考スコア（独自算出の注目度）: 11.954992010840833
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, many arbitrary-oriented object detection (AOOD) methods have been proposed and attracted widespread attention in many fields. However, most of them are based on anchor-boxes or standard Gaussian heatmaps. Such label assignment strategy may not only fail to reflect the shape and direction characteristics of arbitrary-oriented objects, but also have high parameter-tuning efforts. In this paper, a novel AOOD method called General Gaussian Heatmap Labeling (GGHL) is proposed. Specifically, an anchor-free object-adaptation label assignment (OLA) strategy is presented to define the positive candidates based on two-dimensional (2-D) oriented Gaussian heatmaps, which reflect the shape and direction features of arbitrary-oriented objects. Based on OLA, an oriented-bounding-box (OBB) representation component (ORC) is developed to indicate OBBs and adjust the Gaussian center prior weights to fit the characteristics of different objects adaptively through neural network learning. Moreover, a joint-optimization loss (JOL) with area normalization and dynamic confidence weighting is designed to refine the misalign optimal results of different subtasks. Extensive experiments on public datasets demonstrate that the proposed GGHL improves the AOOD performance with low parameter-tuning and time costs. Furthermore, it is generally applicable to most AOOD methods to improve their performance including lightweight models on embedded platforms.
• Abstract（参考訳）: 近年,任意指向オブジェクト検出 (aood) 法が提案され,多くの分野に注目が集まっている。 しかし、そのほとんどはアンカーボックスや標準ガウス熱マップに基づいている。 このようなラベル割り当て戦略は、任意の向きのオブジェクトの形状や方向特性を反映するだけでなく、パラメータチューニングの労力も高い。 本稿では,GGHL(General Gaussian Heatmap Labeling)と呼ばれる新しいAOOD法を提案する。 具体的には、任意の対象の形状と方向を反映した2次元(2次元)配向ガウス熱マップに基づいて、正の候補を定義するために、アンカーフリーなオブジェクト適応ラベル割り当て(OLA)戦略を示す。 OLAに基づいて、オブジェクト指向バウンディングボックス(OBB)表現コンポーネント(ORC)が開発され、OBBを示し、ガウス中心の事前重みを調整し、ニューラルネットワーク学習により異なるオブジェクトの特性を適応的に適合させる。 また,領域正規化と動的信頼度重み付けを併用したジョイント最適化損失 (jol) により,異なるサブタスクの誤りを解消する。 公開データセットに対する大規模な実験により、提案したGGHLはパラメータ調整と時間コストを低くしてAOOD性能を向上させることが示された。 さらに、ほとんどのAOODメソッドは、組み込みプラットフォーム上の軽量モデルを含むパフォーマンスを改善するために一般的に適用されます。

関連論文リスト

• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。 様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• GRA: Detecting Oriented Objects through Group-wise Rotating and Attention [64.21917568525764]
  GRA(Group-wise Rotating and Attention)モジュールは、オブジェクト指向オブジェクト検出のためのバックボーンネットワークにおける畳み込み操作を置き換えるために提案されている。 GRAは、グループワイド回転(Group-wise Rotating)とグループワイド注意(Group-wise Attention)という2つの重要なコンポーネントを含む、さまざまな向きのオブジェクトのきめ細かい特徴を適応的にキャプチャすることができる。 GRAはDOTA-v2.0ベンチマークで新しい最先端(SOTA)を実現し、以前のSOTA法と比較してパラメータを50%近く削減した。
  論文  参考訳（メタデータ） (2024-03-17T07:29:32Z)
• PointOBB: Learning Oriented Object Detection via Single Point Supervision [55.88982271340328]
  本稿では,オブジェクト指向物体検出のための最初の単一点ベース OBB 生成法である PointOBB を提案する。 PointOBBは、オリジナルビュー、リサイズビュー、ローテーション/フリップ(rot/flp)ビューの3つのユニークなビューの協調利用を通じて動作する。 DIOR-RとDOTA-v1.0データセットの実験結果は、PointOBBが有望な性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:51:50Z)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• 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)
• AO2-DETR: Arbitrary-Oriented Object Detection Transformer [17.287517988299925]
  本稿では、AO2-DETRと呼ばれるArbitrary-Oriented Object Detection TRansformerフレームワークを提案する。 指向的提案を明示的に生成するために、指向的提案生成機構を提案する。 また、直接セット予測のための1対1マッチングプロセスを保証するために、回転対応セットマッチング損失を用いる。
  論文  参考訳（メタデータ） (2022-05-25T13:57:13Z)
• Dynamic Anchor Learning for Arbitrary-Oriented Object Detection [4.247967690041766]
  任意指向オブジェクトは、自然のシーン、空中写真、リモートセンシング画像などに広く現れる。 現在の回転検出器は、異なる向きのアンカーをたくさん使用して、地上の真実ボックスとの空間アライメントを実現します。 新たに定義されたマッチング度を利用した動的アンカー学習(DAL)法を提案する。
  論文  参考訳（メタデータ） (2020-12-08T01:30:06Z)
• Align Deep Features for Oriented Object Detection [40.28244152216309]
  本稿では、FAM(Feature Alignment Module)とODM(Oriented Detection Module)の2つのモジュールからなる単発アライメントネットワーク(S$2$A-Net)を提案する。 FAMは、アンカー・リファインメント・ネットワークで高品質なアンカーを生成し、アンカーボックスに応じた畳み込み特徴と、新しいアライメント・コンボリューション・コンボリューションとを適応的に調整することができる。 ODMは、まず、向き情報を符号化するためにアクティブな回転フィルタを採用し、次に、分類スコアとローカライゼーション精度の不整合を軽減するために、向きに敏感で方向不変な特徴を生成する。
  論文  参考訳（メタデータ） (2020-08-21T09:55:13Z)
• Dynamic Refinement Network for Oriented and Densely Packed Object Detection [75.29088991850958]
  本稿では,機能選択モジュール (FSM) と動的改善ヘッド (DRH) の2つの新しいコンポーネントからなる動的精細化ネットワークを提案する。 我々のFSMは、ニューロンがターゲットオブジェクトの形状や向きに応じて受容野を調整できるのに対して、DRHはオブジェクト認識の方法で動的に予測を洗練させる。 我々は、DOTA、HRSC2016、SKU110K、および我々のSKU110K-Rデータセットを含むいくつかの公開ベンチマークで定量的評価を行う。
  論文  参考訳（メタデータ） (2020-05-20T11:35:50Z)

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。