論文の概要: Anchor-free Oriented Proposal Generator for Object Detection

• arxiv url: http://arxiv.org/abs/2110.01931v1
• Date: Tue, 5 Oct 2021 10:45:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 14:11:05.379694
• Title: Anchor-free Oriented Proposal Generator for Object Detection
• Title（参考訳）: オブジェクト検出のためのアンカーフリー指向型提案生成器
• Authors: Gong Cheng and Jiabao Wang and Ke Li and Xingxing Xie and Chunbo Lang and Yanqing Yao and Junwei Han
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.54125119453818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Oriented object detection is a practical and challenging task in remote sensing image interpretation. Nowadays, oriented detectors mostly use horizontal boxes as intermedium to derive oriented boxes from them. However, the horizontal boxes are inclined to get a small Intersection-over-Unions (IoUs) with ground truths, which may have some undesirable effects, such as introducing redundant noise, mismatching with ground truths, detracting from the robustness of detectors, etc. In this paper, we propose a novel Anchor-free Oriented Proposal Generator (AOPG) that abandons the horizontal boxes-related operations from the network architecture. AOPG first produces coarse oriented boxes by Coarse Location Module (CLM) in an anchor-free manner and then refines them into high-quality oriented proposals. After AOPG, we apply a Fast R-CNN head to produce the final detection results. Furthermore, the shortage of large-scale datasets is also a hindrance to the development of oriented object detection. To alleviate the data insufficiency, we release a new dataset on the basis of our DIOR dataset and name it DIOR-R. Massive experiments demonstrate the effectiveness of AOPG. Particularly, without bells and whistles, we achieve the highest accuracy of 64.41$\%$, 75.24$\%$ and 96.22$\%$ mAP on the DIOR-R, DOTA and HRSC2016 datasets respectively. Code and models are available at https://github.com/jbwang1997/AOPG.
• Abstract（参考訳）: 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、指向検出器は主に水平の箱を中間体として使用し、それらから指向の箱を導出している。 しかし、水平の箱は、基底真理との小さな交点(ious)を得る傾向にあり、冗長なノイズの導入、基底真理とのミスマッチ、検出器の頑健さからの逸脱など、いくつかの望ましくない効果がある。 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。 AOPGはまず、粗い位置モジュール(CLM)によって、アンカーのない方法で粗い指向のボックスを生成し、その後、それらを高品質な指向のプロポーザルに洗練する。 AOPG後、最終検出結果を生成するためにFast R-CNNヘッドを適用する。 さらに、大規模なデータセットの不足は、オブジェクト指向オブジェクト検出の開発の障害でもある。 データ不足を軽減するため、DIORデータセットに基づいて新しいデータセットをリリースし、DIOR-Rと名付ける。 大規模な実験はAOPGの有効性を示す。 特に、ベルとホイッスルなしでは、それぞれDIOR-R、DOTA、HRSC2016データセット上で64.41$\%$、75.24$\%$、96.22$\%$mAPの精度が得られる。 コードとモデルはhttps://github.com/jbwang 1997/aopgで入手できる。

関連論文リスト

• Category-Aware Dynamic Label Assignment with High-Quality Oriented Proposal [17.674175038655058]
  本稿では,オブジェクト指向検出フレームワークにおいて,複素平面に基づく OBB 表現を導入する。 コンバータRPNヘッドは、角度情報を予測するために構成される。 提案した損失関数とコンバータRPNヘッドは,高品質な指向性の提案を共同で生成する。
  論文  参考訳（メタデータ） (2024-07-03T15:36:47Z)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection [45.10513110142015]
  現在のアンカーベースまたはアンカーフリーなラベル割り当てパラダイムは、多くのアウトリーな小さな基底真理サンプルを発生させる。 本稿では,小物体検出のためのガウス受容場に基づくラベルアサインメント(RFLA)戦略を提案する。 当社のアプローチは、AI-TODデータセットの4.0APポイントで最先端の競合より優れています。
  論文  参考訳（メタデータ） (2022-08-18T09:35:56Z)
• Oriented R-CNN for Object Detection [61.78746189807462]
  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。
  論文  参考訳（メタデータ） (2021-08-12T12:47:43Z)
• 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)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• Boosting Weakly Supervised Object Detection with Progressive Knowledge Transfer [40.23657486941391]
  弱教師付き物体検出精度を高めるための効果的な知識伝達フレームワークを提案する。 情報源領域からの知識を一級普遍検出器で反復的に伝達し,対象領域検出器を学習する。 我々は、VOCテストセットで59.7%のmAPと、完全に教師されたFaster RCNNを再トレーニングした後で60.2%のmAPを達成した。
  論文  参考訳（メタデータ） (2020-07-15T20:38:25Z)
• 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。