論文の概要: FCOSR: A Simple Anchor-free Rotated Detector for Aerial Object Detection

• arxiv url: http://arxiv.org/abs/2111.10780v1
• Date: Sun, 21 Nov 2021 09:49:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 15:50:07.576738
• Title: FCOSR: A Simple Anchor-free Rotated Detector for Aerial Object Detection
• Title（参考訳）: FCOSR:空中物体検出のための簡易アンカーフリー回転検出器
• Authors: Zhonghua Li, Biao Hou, Zitong Wu, Licheng Jiao, Bo Ren, Chen Yang
• Abstract要約: FCOSに基づく一段アンカーフリー回転物体検出器(FCOSR)を提案する。 FCOSRは単純なアーキテクチャであり、畳み込み層のみで構成されている。 DOTA1.0上の73.93 mAPをJetson Xavier NX上の10.68 FPSで1スケールで変換する。
• 参考スコア（独自算出の注目度）: 39.921541182631245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing anchor-base oriented object detection methods have achieved amazing results, but these methods require some manual preset boxes, which introduces additional hyperparameters and calculations. The existing anchor-free methods usually have complex architectures and are not easy to deploy. Our goal is to propose an algorithm which is simple and easy-to-deploy for aerial image detection. In this paper, we present a one-stage anchor-free rotated object detector (FCOSR) based on FCOS, which can be deployed on most platforms. The FCOSR has a simple architecture consisting of only convolution layers. Our work focuses on the label assignment strategy for the training phase. We use ellipse center sampling method to define a suitable sampling region for oriented bounding box (OBB). The fuzzy sample assignment strategy provides reasonable labels for overlapping objects. To solve the insufficient sampling problem, a multi-level sampling module is designed. These strategies allocate more appropriate labels to training samples. Our algorithm achieves 79.25, 75.41, and 90.15 mAP on DOTA1.0, DOTA1.5, and HRSC2016 datasets, respectively. FCOSR demonstrates superior performance to other methods in single-scale evaluation. We convert a lightweight FCOSR model to TensorRT format, which achieves 73.93 mAP on DOTA1.0 at a speed of 10.68 FPS on Jetson Xavier NX with single scale. The code is available at: https://github.com/lzh420202/FCOSR
• Abstract（参考訳）: 既存のアンカーベース指向オブジェクト検出手法は驚くべき結果を得たが、これらの手法にはいくつかの手動のプリセットボックスが必要である。 既存のアンカーフリーメソッドは通常複雑なアーキテクチャを持ち、デプロイは容易ではない。 本研究の目的は,空中画像検出をシンプルかつ容易に行うアルゴリズムを提案することである。 本稿では,FCOSをベースとした一段アンカーフリー回転物体検出器(FCOSR)について述べる。 FCOSRは単純なアーキテクチャであり、畳み込み層のみで構成されている。 本研究は,トレーニングフェーズのラベル割り当て戦略に焦点を当てている。 オリプスセンタサンプリング法を用いて,向き付けられた境界ボックス (obb) に適したサンプリング領域を定義する。 ファジィサンプル割り当て戦略は、重複するオブジェクトに対して適切なラベルを提供する。 サンプリング不足問題を解決するため、マルチレベルサンプリングモジュールを設計した。 これらの戦略は、より適切なラベルをトレーニングサンプルに割り当てる。 本アルゴリズムは, DOTA1.0, DOTA1.5, HRSC2016データセット上で, それぞれ79.25, 75.41, 90.15mAPを達成する。 FCOSRは単スケール評価において他の手法よりも優れた性能を示す。 我々は、軽量なFCOSRモデルをTensorRTフォーマットに変換し、単一のスケールでJetson Xavier NX上で10.68 FPSの速度でDOTA1.0上で73.93 mAPを達成する。 コードは以下の通り。 https://github.com/lzh420202/FCOSR

関連論文リスト

• Unfolding Target Detection with State Space Model [8.493729039825332]
  本稿では,CFAR検出器を状態空間モデルアーキテクチャに展開することにより,信号処理とディープラーニングを組み合わせた新しい手法を提案する。 CFARパイプラインを保存し、洗練された構成をトレーニング可能なパラメータにすることで、手動パラメータチューニングなしで高い検出性能を実現する。 その結果,提案手法の顕著な性能,CFARとその変種を検出率と誤警報率で10倍に向上させることができた。
  論文  参考訳（メタデータ） (2024-10-30T07:43:18Z)
• 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)
• Dense Learning based Semi-Supervised Object Detection [46.885301243656045]
  半教師付きオブジェクト検出(SSOD)は、大量のラベルのないデータの助けを借りて、オブジェクト検出器の訓練と展開を容易にすることを目的としている。 本稿では,DenSe Learningに基づくアンカーフリーSSODアルゴリズムを提案する。 実験はMS-COCOとPASCAL-VOCで行われ,提案手法は新たな最先端SSOD性能を記録する。
  論文  参考訳（メタデータ） (2022-04-15T02:31:02Z)
• 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)
• Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection [60.522877583407904]
  現在のアンカーフリー物体検出器は非常に単純で有効であるが、正確なラベル割り当て方法がない。 Pseudo-Intersection-over-Union(Pseudo-IoU): アンカーフリーなオブジェクト検出フレームワークに、より標準化され、正確な割り当てルールをもたらす単純なメトリックである。 本手法はベルやホイッスルを使わずに最新のアンカーフリー手法と同等の性能を実現する。
  論文  参考訳（メタデータ） (2021-04-29T02:48:47Z)
• Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
  単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。 検出精度は元の1段検出器と比べて同等か、さらに向上した。
  論文  参考訳（メタデータ） (2021-01-28T02:38:29Z)
• Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
  分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。 そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
  論文  参考訳（メタデータ） (2020-10-23T08:33:04Z)
• Reducing Label Noise in Anchor-Free Object Detection [12.397047191315966]
  現在のアンカーフリー物体検出器は、事前に定義された中央領域内に空間的に落下する全ての特徴を正としてラベル付けしている。 本研究では,アンカーフリー検出器のラベルノイズ低減を目的とした新しいラベリング手法を提案する。 我々は、トレーニング中にこのラベリング戦略と、推論中に同様の予測プール法を利用するために、新しいワンステージアンカーフリー物体検出器 PPDet を開発した。
  論文  参考訳（メタデータ） (2020-08-03T20:02:46Z)
• FCOS: A simple and strong anchor-free object detector [111.87691210818194]
  物体検出を画素ごとの予測方式で解くために, 完全畳み込み型一段物検出器 (FCOS) を提案する。 RetinaNet、SSD、YOLOv3、Faster R-CNNといった最先端のオブジェクト検出器のほとんどは、事前に定義されたアンカーボックスに依存している。 対照的に、提案した検出器FCOSはアンカーボックスフリーであり、提案はフリーである。
  論文  参考訳（メタデータ） (2020-06-14T01:03:39Z)

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。