論文の概要: Scribble-based Boundary-aware Network for Weakly Supervised Salient
Object Detection in Remote Sensing Images
- arxiv url: http://arxiv.org/abs/2202.03501v1
- Date: Mon, 7 Feb 2022 20:32:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-09 14:58:59.449760
- Title: Scribble-based Boundary-aware Network for Weakly Supervised Salient
Object Detection in Remote Sensing Images
- Title（参考訳）: リモートセンシング画像における弱い監視対象検出のためのスクリブルベース境界認識ネットワーク
- Authors: Zhou Huang, Tian-Zhu Xiang, Huai-Xin Chen, Hang Dai
- Abstract要約: スパース・スクリブル・アノテーションからリモートセンシング画像の正当性を予測するために,弱教師付きサルエント・オブジェクト検出フレームワークを提案する。
具体的には,高信頼度オブジェクト境界 (擬似) ラベルによって明示的に制御されるオブジェクト境界意味論を探索する境界対応モジュール (BAM) を設計する。
次に,境界セマンティクスを高次特徴と統合し,スクリブルラベルの監督下での健全な物体検出を誘導する。
- 参考スコア（独自算出の注目度）: 10.628932392896374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing CNNs-based salient object detection (SOD) heavily depends on the
large-scale pixel-level annotations, which is labor-intensive, time-consuming,
and expensive. By contrast, the sparse annotations become appealing to the
salient object detection community. However, few efforts are devoted to
learning salient object detection from sparse annotations, especially in the
remote sensing field. In addition, the sparse annotation usually contains
scanty information, which makes it challenging to train a well-performing
model, resulting in its performance largely lagging behind the fully-supervised
models. Although some SOD methods adopt some prior cues to improve the
detection performance, they usually lack targeted discrimination of object
boundaries and thus provide saliency maps with poor boundary localization. To
this end, in this paper, we propose a novel weakly-supervised salient object
detection framework to predict the saliency of remote sensing images from
sparse scribble annotations. To implement it, we first construct the
scribble-based remote sensing saliency dataset by relabelling an existing
large-scale SOD dataset with scribbles, namely S-EOR dataset. After that, we
present a novel scribble-based boundary-aware network (SBA-Net) for remote
sensing salient object detection. Specifically, we design a boundary-aware
module (BAM) to explore the object boundary semantics, which is explicitly
supervised by the high-confidence object boundary (pseudo) labels generated by
the boundary label generation (BLG) module, forcing the model to learn features
that highlight the object structure and thus boosting the boundary localization
of objects. Then, the boundary semantics are integrated with high-level
features to guide the salient object detection under the supervision of
scribble labels.
- Abstract（参考訳）: 既存のcnnsベースのsalient object detection(sod)は、大規模なピクセルレベルのアノテーションに大きく依存しています。
対照的に、スパースアノテーションは、健全なオブジェクト検出コミュニティにアピールします。
しかし、特にリモートセンシング分野において、スパースアノテーションから健全なオブジェクト検出を学習する努力はほとんど行われていない。
さらに、スパースアノテーションは、通常、スカンティな情報を含んでいるため、パフォーマンスのよいモデルへのトレーニングが難しくなり、結果として、完全に教師付きモデルよりもパフォーマンスが大幅に遅れる。
一部のSOD法は検出性能を向上させるためにいくつかの先行手法を採用しているが、通常は対象境界の識別を欠いているため、境界のローカライゼーションが不十分である。
そこで本稿では,sparse scribbleアノテーションからリモートセンシング画像の塩分率を予測するための,弱教師付きサルエント物体検出フレームワークを提案する。
まず,既存の大規模SODデータセットをスクリブル,すなわちS-EORデータセットでラップすることで,スクリブルベースのリモートセンシングサリエンシデータセットを構築する。
その後,リモートセンシングサリアン物体検出のためのスクリブルベース境界認識ネットワーク(SBA-Net)を提案する。
具体的には、境界ラベル生成(BLG)モジュールが生成する高信頼オブジェクト境界(擬似)ラベルによって明示的に教師されるオブジェクト境界セマンティクスを探索するために、境界認識モジュール(BAM)を設計し、オブジェクト構造をハイライトする特徴を学習させ、オブジェクトの境界ローカライゼーションを高める。
次に,境界セマンティクスを高次特徴と統合し,スクリブルラベルの監督下での健全な物体検出を誘導する。
関連論文リスト
- Few-shot Oriented Object Detection with Memorable Contrastive Learning in Remote Sensing Images [11.217630579076237]
リモートセンシングの分野では、FSOD(Few-shot Object Detection)が注目されている。
本稿では,Few-shot Oriented Object Detection with Memorable Contrastive Learning (FOMC) という,リモートセンシングのための新しいFSOD法を提案する。
具体的には、従来の水平有界ボックスの代わりに指向的有界ボックスを用いて、任意指向の空中オブジェクトのより優れた特徴表現を学習する。
論文 参考訳（メタデータ） (2024-03-20T08:15:18Z) - Object-Centric Multiple Object Tracking [124.30650395969126]
本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。
オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。
オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
論文 参考訳（メタデータ） (2023-09-01T03:34:12Z) - 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) - Learning Remote Sensing Object Detection with Single Point Supervision [17.12725535531483]
Pointly Supervised Object Detection (PSOD) は、ボックスレベルの監視対象検出と比較してラベリングコストが低いため、かなりの関心を集めている。
本研究では,RS画像に適したPSOD法を提案する。
提案手法は,最先端の画像レベルとポイントレベルの教師付き検出法と比較して性能が大幅に向上し,PSODとボックスレベルの教師付きオブジェクト検出の差を低減できる。
論文 参考訳（メタデータ） (2023-05-23T15:06:04Z) - Synthesize Boundaries: A Boundary-aware Self-consistent Framework for
Weakly Supervised Salient Object Detection [8.951168425295378]
設計した合成画像とラベルから正確な境界を学習することを提案する。
合成画像は、塩物の実凹部を模擬する合成凹部を挿入することにより境界情報を生成する。
また,グローバル積分分枝 (GIB) と境界認識分枝 (BAB) から構成される新たな自己整合性フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-04T08:22:45Z) - End-to-End Instance Edge Detection [29.650295133113183]
エッジ検出は長い間、コンピュータビジョンの分野で重要な問題であった。
従来の研究は、カテゴリ非依存またはカテゴリ対応エッジ検出を探索してきた。
本稿では,オブジェクトインスタンスのコンテキストにおけるエッジ検出について検討する。
論文 参考訳（メタデータ） (2022-04-06T15:32:21Z) - ImpDet: Exploring Implicit Fields for 3D Object Detection [74.63774221984725]
我々は、境界ボックス回帰を暗黙の関数として見る新しい視点を導入する。
これは、Implicit DetectionまたはImpDetと呼ばれる提案されたフレームワークにつながります。
我々のImpDetは、異なる局所的な3次元空間の点に特定の値を割り当て、高品質な境界を生成することができる。
論文 参考訳（メタデータ） (2022-03-31T17:52:12Z) - High-resolution Iterative Feedback Network for Camouflaged Object
Detection [128.893782016078]
カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。
エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。
我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
論文 参考訳（メタデータ） (2022-03-22T11:20:21Z) - Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。
提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。
そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。
ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文 参考訳（メタデータ） (2020-11-25T18:59:54Z) - Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。
そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。
我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
論文 参考訳（メタデータ） (2020-03-17T12:59:50Z)
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。