論文の概要: DARDet: A Dense Anchor-free Rotated Object Detector in Aerial Images

• arxiv url: http://arxiv.org/abs/2110.01025v1
• Date: Sun, 3 Oct 2021 15:28:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 04:49:57.906479
• Title: DARDet: A Dense Anchor-free Rotated Object Detector in Aerial Images
• Title（参考訳）: DARDet:空中画像用高密度アンカーレス回転物体検出器
• Authors: Feng Zhang, Xueying Wang, Shilin Zhou, Yingqian Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.45718985586972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rotated object detection in aerial images has received increasing attention for a wide range of applications. However, it is also a challenging task due to the huge variations of scale, rotation, aspect ratio, and densely arranged targets. Most existing methods heavily rely on a large number of pre-defined anchors with different scales, angles, and aspect ratios, and are optimized with a distance loss. Therefore, these methods are sensitive to anchor hyper-parameters and easily suffer from performance degradation caused by boundary discontinuity. To handle this problem, in this paper, we propose a dense anchor-free rotated object detector (DARDet) for rotated object detection in aerial images. Our DARDet directly predicts five parameters of rotated boxes at each foreground pixel of feature maps. We design a new alignment convolution module to extracts aligned features and introduce a PIoU loss for precise and stable regression. Our method achieves state-of-the-art performance on three commonly used aerial objects datasets (i.e., DOTA, HRSC2016, and UCAS-AOD) while keeping high efficiency. Code is available at https://github.com/zf020114/DARDet.
• Abstract（参考訳）: 空中画像における回転物体検出は、幅広い用途に注目が集まっている。 しかし, スケール, 回転, アスペクト比, および密集した目標が多様であることから, 課題でもある。 既存の手法の多くは、スケール、角度、アスペクト比の異なる多数の事前定義されたアンカーに大きく依存しており、距離損失に最適化されている。 したがって,これらの手法は過パラメータのアンカーに敏感であり,境界の不連続による性能劣化に容易に悩まされる。 そこで本研究では,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。 私たちのdardetは、フィーチャーマップの前景ピクセルの回転ボックスの5つのパラメータを直接予測します。 我々はアライメント畳み込みモジュールを設計し,アライメント特徴を抽出し,高精度かつ安定な回帰のためのpiou損失を導入する。 本手法は,高効率を保ちながら,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(DOTA,HRSC2016,UCAS-AOD)の最先端性能を実現する。 コードはhttps://github.com/zf020114/dardetで入手できる。

関連論文リスト

• YOLC: You Only Look Clusters for Tiny Object Detection in Aerial Images [33.80392696735718]
  YOLC(You Only Look Clusters)は、アンカーフリーなオブジェクト検出器であるCenterNet上に構築された、効率的で効果的なフレームワークである。 大規模画像や非一様オブジェクトの分布がもたらす課題を克服するため,正確な検出のためにクラスタ領域のズームインを適応的に検索するローカルスケールモジュール(LSM)を導入する。 Visdrone 2019 と UAVDT を含む2つの航空画像データセットに対する広範な実験を行い、提案手法の有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-09T10:03:44Z)
• 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)
• 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)
• Point RCNN: An Angle-Free Framework for Rotated Object Detection [13.209895262511015]
  空中画像における回転物体検出は、任意方向、大規模かつアスペクト比のばらつき、オブジェクトの極端な密度のため、依然として困難である。 本稿では、主に PointRPN と PointReg から構成される Point RCNN と呼ばれる、回転物体検出のための純粋に角度のないフレームワークを提案する。 我々のPoint RCNNは、一般的に使用される航空データセット上で、最先端の検知性能を実現することを実証した。
  論文  参考訳（メタデータ） (2022-05-28T04:07:37Z)
• Oriented Object Detection in Aerial Images Based on Area Ratio of Parallelogram [0.0]
  回転物体検出は空中画像において難しい課題である。 既存の回帰に基づく回転検出器は不連続境界の問題に悩まされる。 上記の課題に対処するためのシンプルな効果的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-09-21T14:13:36Z)
• FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
  入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。 提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。 Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
  論文  参考訳（メタデータ） (2021-08-27T03:07:55Z)
• 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)
• LR-CNN: Local-aware Region CNN for Vehicle Detection in Aerial Imagery [43.91170581467171]
  最先端の物体検出手法は、大規模な空中画像において、任意の向きの密集した小さなターゲットを検出するのに困難である。 本稿では,航空画像における車両検出のための新しい2段階アプローチとして,地域認識型地域畳み込みニューラルネットワーク(LR-CNN)を提案する。
  論文  参考訳（メタデータ） (2020-05-28T19:57:34Z)
• 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)
• On the Arbitrary-Oriented Object Detection: Classification based Approaches Revisited [94.5455251250471]
  まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。 我々は、角予測タスクを回帰問題から分類問題に変換する。 得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
  論文  参考訳（メタデータ） (2020-03-12T03:23:54Z)

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。