論文の概要: The MIS Check-Dam Dataset for Object Detection and Instance Segmentation Tasks

• arxiv url: http://arxiv.org/abs/2111.15613v1
• Date: Tue, 30 Nov 2021 18:04:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 15:17:04.904905
• Title: The MIS Check-Dam Dataset for Object Detection and Instance Segmentation Tasks
• Title（参考訳）: オブジェクト検出とインスタンス分割タスクのためのmis check-damデータセット
• Authors: Chintan Tundia, Rajiv Kumar, Om Damani, G. Sivakumar
• Abstract要約: MIS Check-Damは衛星画像から得られた新しいチェックダムのデータセットで、チェックダムの検出とマッピングのための自動システムを構築する。 最新のオブジェクト検出およびインスタンスセグメンテーション手法のいくつかをレビューし、新しいデータセットでそれらの性能を評価する。
• 参考スコア（独自算出の注目度）: 0.37277730514654556
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning has led to many recent advances in object detection and instance segmentation, among other computer vision tasks. These advancements have led to wide application of deep learning based methods and related methodologies in object detection tasks for satellite imagery. In this paper, we introduce MIS Check-Dam, a new dataset of check-dams from satellite imagery for building an automated system for the detection and mapping of check-dams, focusing on the importance of irrigation structures used for agriculture. We review some of the most recent object detection and instance segmentation methods and assess their performance on our new dataset. We evaluate several single stage, two-stage and attention based methods under various network configurations and backbone architectures. The dataset and the pre-trained models are available at https://www.cse.iitb.ac.in/gramdrishti/.
• Abstract（参考訳）: ディープラーニングは、オブジェクト検出やインスタンスセグメンテーションなどのコンピュータビジョンタスクにおいて、近年多くの進歩をもたらした。 これらの進歩は、衛星画像の物体検出タスクにおける深層学習に基づく手法と関連する方法論の幅広い応用につながった。 本稿では,衛星画像から得られた新しいチェックダムのデータセットであるMIS Check-Damを紹介し,農業用排水構造物の重要性に着目したチェックダムの自動検出・マッピングシステムの構築について述べる。 最新のオブジェクト検出およびインスタンスセグメンテーション手法のいくつかをレビューし、その性能を新しいデータセットで評価する。 様々なネットワーク構成とバックボーンアーキテクチャにおいて,複数の単一ステージ,2ステージ,注意に基づく手法を評価した。 データセットと事前トレーニングされたモデルは、https://www.cse.iitb.ac.in/gramdrishti/で入手できる。

関連論文リスト

• Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
  本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。 提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。 完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:14:32Z)
• Beyond Few-shot Object Detection: A Detailed Survey [25.465534270637523]
  研究者たちは、数発の学習とオブジェクト検出の原則を融合させる、数発のオブジェクト検出(FSOD)アプローチを導入した。 これらのアプローチは、広範なラベル付きデータセットへの依存を減らす上で重要な役割を果たす。 本研究の目的は,上記の数ショット設定を包括的に理解し,各FSODタスクの方法論を探索することである。
  論文  参考訳（メタデータ） (2024-08-26T13:09:23Z)
• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• ISAR: A Benchmark for Single- and Few-Shot Object Instance Segmentation and Re-Identification [24.709695178222862]
  単発および少数発のオブジェクト識別のためのベンチマークおよびベースライン手法であるISARを提案する。 地層構造意味アノテーションを用いた半合成的ビデオシーケンスデータセットを提供する。 我々のベンチマークは、マルチオブジェクト追跡、ビデオオブジェクト、再識別の新たな研究動向と一致している。
  論文  参考訳（メタデータ） (2023-11-05T18:51:33Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Recent Advances in Embedding Methods for Multi-Object Tracking: A Survey [71.10448142010422]
  マルチオブジェクトトラッキング(MOT)は、動画フレーム全体で対象物を関連付け、移動軌道全体を取得することを目的としている。 埋め込み法はMOTにおける物体の位置推定と時間的同一性関連において重要な役割を担っている。 まず 7 つの異なる視点からMOT への埋め込み手法の奥行き解析による包括的概要を述べる。
  論文  参考訳（メタデータ） (2022-05-22T06:54:33Z)
• SODA: Site Object Detection dAtaset for Deep Learning in Construction [3.5061054566652]
  本稿では,Site Object Detection dAtaset (SODA) と呼ばれる,建設現場で収集・注釈付の大規模画像データセットを開発する。 異なる現場条件、気象条件、建設段階において複数の建設現場から2万枚以上の画像が収集され、異なる角度と視点をカバーした。 慎重なスクリーニングと処理の後、286,201個のオブジェクトを含む19,846個の画像が得られた。
  論文  参考訳（メタデータ） (2022-02-19T09:09:23Z)
• A Survey of Self-Supervised and Few-Shot Object Detection [19.647681501581225]
  自己教師付き手法は、オブジェクト検出などの下流タスクにうまく転送されるラベルのないデータから表現を学習することを目的としている。 ほとんどショットされていないオブジェクト検出は、ほとんどデータを持たない新しい(見えない)オブジェクトクラスのモデルをトレーニングすることです。 本調査では, 少数ショット・自己監督型物体検出における最新のアプローチを概観し, 特徴付けする。
  論文  参考訳（メタデータ） (2021-10-27T18:55:47Z)
• Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
  近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
  論文  参考訳（メタデータ） (2021-05-27T23:34:06Z)
• A Survey of Modern Deep Learning based Object Detection Models [0.7388859384645263]
  この記事では、ディープラーニングベースのオブジェクト検出器の最近の開発を調査します。 ベンチマークデータセットと検出に使用される評価メトリクスの概要を提供する。 また、エッジデバイスで使用される現代の軽量な分類モデルもカバーしている。
  論文  参考訳（メタデータ） (2021-04-24T06:33:54Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。