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
- 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) - Spatial Reasoning for Few-Shot Object Detection [21.3564383157159]
本稿では,空間的推論フレームワークを提案する。
グラフ畳み込みネットワークをRoIとその関連性はそれぞれノードとエッジとして定義する。
提案手法は最先端の手法を著しく上回り, 広範囲なアブレーション研究により有効性を検証する。
論文 参考訳(メタデータ) (2022-11-02T12:38:08Z) - 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) - One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。
また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。
提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文 参考訳(メタデータ) (2020-05-08T01:59:23Z) - Exploring Bottom-up and Top-down Cues with Attentive Learning for Webly
Supervised Object Detection [76.9756607002489]
本稿では,新しいクラスを対象としたWebSOD法を提案する。
提案手法はボトムアップとトップダウンを組み合わせた新しいクラス検出手法である。
提案手法は,3種類の新規/ベース分割を持つPASCAL VOCデータセット上で実証した。
論文 参考訳(メタデータ) (2020-03-22T03:11:24Z) - 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。