論文の概要: Centroid-UNet: Detecting Centroids in Aerial Images

• arxiv url: http://arxiv.org/abs/2112.06530v1
• Date: Mon, 13 Dec 2021 10:04:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 15:23:26.235484
• Title: Centroid-UNet: Detecting Centroids in Aerial Images
• Title（参考訳）: Centroid-UNet:空中画像中のCentroidの検出
• Authors: N. Lakmal Deshapriya, Dan Tran, Sriram Reddy, Kavinda Gunasekara
• Abstract要約: 本研究は,衛星画像中の物体セントロイドの位置決定にディープニューラルネットワークを用いることの有効性を評価することに焦点を当てた。 Centroid-UNetモデルは、古典的なU-Netセマンティックセマンティックセグメンテーションアーキテクチャに基づいている。 我々は,空/衛星画像を含む2つのケーススタディを用いて,本モデルを検証・評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many applications of aerial/satellite image analysis (remote sensing), the generation of exact shapes of objects is a cumbersome task. In most remote sensing applications such as counting objects requires only location estimation of objects. Hence, locating object centroids in aerial/satellite images is an easy solution for tasks where the object's exact shape is not necessary. Thus, this study focuses on assessing the feasibility of using deep neural networks for locating object centroids in satellite images. Name of our model is Centroid-UNet. The Centroid-UNet model is based on classic U-Net semantic segmentation architecture. We modified and adapted the U-Net semantic segmentation architecture into a centroid detection model preserving the simplicity of the original model. Furthermore, we have tested and evaluated our model with two case studies involving aerial/satellite images. Those two case studies are building centroid detection case study and coconut tree centroid detection case study. Our evaluation results have reached comparably good accuracy compared to other methods, and also offer simplicity. The code and models developed under this study are also available in the Centroid-UNet GitHub repository: https://github.com/gicait/centroid-unet
• Abstract（参考訳）: 航空/衛星画像解析(リモートセンシング)の多くの応用において、物体の正確な形状の生成は面倒な作業である。 オブジェクトのカウントなどのリモートセンシングアプリケーションでは、オブジェクトの位置推定のみを必要とする。 したがって、空中/衛星画像中の物体中心体の位置は、物体の正確な形状が不要なタスクに対する簡単な解である。 そこで本研究では,深層ニューラルネットワークを用いた衛星画像中の物体中心の探索の可能性について検討する。 私たちのモデルの名前はCentroid-UNetです。 centroid-unetモデルは古典的なu-netセマンティクスセグメンテーションアーキテクチャに基づいている。 我々は,U-Netセマンティックセマンティックセグメンテーションアーキテクチャを,元のモデルの単純さを保ったセントロイド検出モデルに修正し,適応させた。 さらに,航空衛星画像を含む2つのケーススタディを用いて実験を行い,評価を行った。 これらの2つのケーススタディは、建築用セントロイド検出ケーススタディとココナッツ木のセントロイド検出ケーススタディである。 評価結果は,他の手法に比べて精度が良好であり,簡便である。 この研究で開発されたコードとモデルは、centroid-unet githubリポジトリでも利用可能である。

関連論文リスト

• Learning Embeddings with Centroid Triplet Loss for Object Identification in Robotic Grasping [14.958823096408175]
  基礎モデルはディープラーニングとコンピュータビジョンの強力なトレンドだ。 本稿では,そのような物体識別モデルの訓練に焦点をあてる。 このようなモデルをトレーニングするための主要な解決策は、遠心三重項損失(CTL)である。
  論文  参考訳（メタデータ） (2024-04-09T13:01:26Z)
• FlightScope: A Deep Comprehensive Review of Aircraft Detection Algorithms in Satellite Imagery [2.9687381456164004]
  本稿では,衛星画像中の航空機を識別するタスク用にカスタマイズされた,高度な物体検出アルゴリズム群を批判的に評価し,比較する。 この研究は、YOLOバージョン5と8、より高速なRCNN、CenterNet、RetinaNet、RTMDet、DETRを含む一連の方法論を含む。 YOLOv5は空中物体検出のための堅牢なソリューションとして登場し、平均的精度、リコール、ユニオンのスコアに対するインターセクションによってその重要性を裏付けている。
  論文  参考訳（メタデータ） (2024-04-03T17:24:27Z)
• KP-RED: Exploiting Semantic Keypoints for Joint 3D Shape Retrieval and Deformation [87.23575166061413]
  KP-RED は KeyPoint 主導の Retrieval and deformation フレームワークである。 オブジェクトスキャンを入力として、最も幾何学的に類似したCADモデルを共同で検索し、変形させる。
  論文  参考訳（メタデータ） (2024-03-15T08:44:56Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• On the Robustness of Object Detection Models in Aerial Images [37.50307094643692]
  DOTA-v1.0に基づく新しいベンチマークを2つ導入する。 第1のベンチマークは、19の一般的な汚職を含むが、第2のベンチマークは、クラウド崩壊したイメージに焦点を当てている。 改良されたモデルアーキテクチャ,大規模ネットワーク,高度に構築されたモジュール,および巧妙なデータ拡張戦略により,航空物体検出モデルの堅牢性が向上することがわかった。
  論文  参考訳（メタデータ） (2023-08-29T15:16:51Z)
• 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)
• CenterNet++ for Object Detection [174.59360147041673]
  ボトムアップアプローチはトップダウンと同じくらい競争力があり、リコールも高くなります。 CenterNetと呼ばれる我々のアプローチは、各オブジェクトを三重項キーポイント(左上と右下)として検出する。 MS-COCOデータセットでは、Res2Net-101 と Swin-Transformer の CenterNet がそれぞれ 53.7% と 57.1% のAPを達成している。
  論文  参考訳（メタデータ） (2022-04-18T16:45:53Z)
• On Hyperbolic Embeddings in 2D Object Detection [76.12912000278322]
  双曲幾何学が対象分類空間の基盤構造に適合するかどうかを考察する。 2段階、キーポイントベース、トランスフォーマーベースオブジェクト検出アーキテクチャに双曲型分類器を組み込む。 分類空間の構造に現れる分類階級階層を観察し、分類誤差を低くし、全体的な対象検出性能を高める。
  論文  参考訳（メタデータ） (2022-03-15T16:43:40Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Few-shot Object Detection on Remote Sensing Images [11.40135025181393]
  リモートセンシング画像におけるオブジェクト検出のための数ショットの学習手法を提案する。 我々は、YOLOv3アーキテクチャに基づいて、少数ショットオブジェクト検出モデルを構築し、マルチスケールオブジェクト検出フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-06-14T07:18:10Z)

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。