Fugu-MT 論文翻訳(概要): Ensemble Learning techniques for object detection in high-resolution satellite images

論文の概要: Ensemble Learning techniques for object detection in high-resolution satellite images

arxiv url: http://arxiv.org/abs/2202.10554v1
Date: Wed, 16 Feb 2022 10:19:21 GMT
ステータス: 処理完了
システム内更新日: 2022-02-27 17:00:52.325058
Title: Ensemble Learning techniques for object detection in high-resolution satellite images
Title（参考訳）: 高解像度衛星画像における物体検出のためのアンサンブル学習技術
Authors: Arthur Vilhelm, Matthieu Limbert, Cl\'ement Audebert, Tugdual Ceillier
Abstract要約: 組立は個々の検出器を融合させることで検出性能を最大化する手法である。組立法は、Kaggleのような最近のデータサイエンスの実践において、高いスコアを得るために広く使われてきた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ensembling is a method that aims to maximize the detection performance by fusing individual detectors. While rarely mentioned in deep-learning articles applied to remote sensing, ensembling methods have been widely used to achieve high scores in recent data science com-petitions, such as Kaggle. The few remote sensing articles mentioning ensembling mainly focus on mid resolution images and earth observation applications such as land use classification, but never on Very High Resolution (VHR) images for defense-related applications or object detection.This study aims at reviewing the most relevant ensembling techniques to be used for object detection on very high resolution imagery and shows an example of the value of such techniques on a relevant operational use-case (vehicle detection in desert areas).
Abstract（参考訳）: 組立は個々の検出器を融合させて検出性能を最大化する手法である。リモートセンシングに適用されたディープラーニングの記事ではほとんど言及されていないが、kaggleのような最近のデータサイエンスのcom-petitionsでハイスコアを達成するためにセンシング手法が広く使われている。 The few remote sensing articles mentioning ensembling mainly focus on mid resolution images and earth observation applications such as land use classification, but never on Very High Resolution (VHR) images for defense-related applications or object detection.This study aims at reviewing the most relevant ensembling techniques to be used for object detection on very high resolution imagery and shows an example of the value of such techniques on a relevant operational use-case (vehicle detection in desert areas).

関連論文リスト

Retrieval Robust to Object Motion Blur [54.34823913494456]
本研究では,動きのぼやけの影響を受けやすい画像のオブジェクト検索手法を提案する。ぼやけたオブジェクト検索のための最初の大規模データセットを提示する。提案手法は,新しいぼやけた検索データセット上で,最先端の検索手法より優れている。
論文参考訳（メタデータ） (2024-04-27T23:22:39Z)
Small and Dim Target Detection in IR Imagery: A Review [9.941925002794262]
これは、赤外線画像における小型および薄型ターゲット検出の分野における最初のレビューである。主なアプローチには、複数のフレームを使用して検出する手法と、単一フレームベースの検出技術がある。この結果から,ディープラーニングアプローチは従来の画像処理手法よりも優れていたことが示唆された。
論文参考訳（メタデータ） (2023-11-27T22:25:46Z)
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)
Cascaded Zoom-in Detector for High Resolution Aerial Images [12.944309759825902]
密度誘導型トレーニングと推論のために検出器自体を再利用した効率的なカスケードズームイン検出器を提案する。トレーニング中、密度作物が配置され、新しいクラスとしてラベル付けされ、トレーニングデータセットの強化に使用される。このアプローチはどんな検出器にも容易に統合でき、標準検出プロセスに大きな変化は生じない。
論文参考訳（メタデータ） (2023-03-15T16:39:21Z)
ObjectFormer for Image Manipulation Detection and Localization [118.89882740099137]
画像操作の検出とローカライズを行うObjectFormerを提案する。画像の高周波特徴を抽出し,マルチモーダルパッチの埋め込みとしてRGB特徴と組み合わせる。各種データセットについて広範な実験を行い,提案手法の有効性を検証した。
論文参考訳（メタデータ） (2022-03-28T12:27:34Z)
Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。本稿では,キーポイントベースおよび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の知識埋め込み設計を提案する。
論文参考訳（メタデータ） (2021-12-21T17:10:21Z)
Context-Aware Transfer Attacks for Object Detection [51.65308857232767]
本稿では,オブジェクト検出のためのコンテキスト認識攻撃を新たに生成する手法を提案する。オブジェクトとその相対的な位置と大きさの共起をコンテキスト情報として利用することにより、ターゲットの誤分類攻撃をうまく生成できることを示す。
論文参考訳（メタデータ） (2021-12-06T18:26:39Z)
FAIR1M: A Benchmark Dataset for Fine-grained Object Recognition in High-Resolution Remote Sensing Imagery [21.9319970004788]
我々は,高分解能リモートセンシング画像において,100万以上のインスタンスと15,000以上の画像を含む新しいベンチマークデータセットを提案する。 FAIR1Mデータセットのすべてのオブジェクトは、指向境界ボックスによって5つのカテゴリと37のサブカテゴリに関してアノテートされます。
論文参考訳（メタデータ） (2021-03-09T17:20:15Z)
A Simple and Effective Use of Object-Centric Images for Long-Tailed Object Detection [56.82077636126353]
シーン中心画像における物体検出を改善するために,物体中心画像を活用する。私たちは、シンプルで驚くほど効果的なフレームワークを提示します。我々の手法は、レアオブジェクト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)の精度を相対的に50%(および33%)向上させることができる。
論文参考訳（メタデータ） (2021-02-17T17:27:21Z)
Active learning for object detection in high-resolution satellite images [1.6500749121196985]
本研究は,高解像度画像における物体検出に最も有効な能動学習手法について検討することを目的とする。これは、関連する運用上のユースケースにおけるそのようなテクニックの価値を示す例である: 航空機の検出。
論文参考訳（メタデータ） (2021-01-07T10:57:38Z)
Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities [81.29441139530844]
本稿では,160以上の論文を網羅し,リモートセンシング画像シーン分類のためのディープラーニング手法の体系的調査を行う。リモートセンシング画像シーンの分類と調査の主な課題について論じる。リモートセンシング画像シーン分類に使用されるベンチマークを導入し,2ダース以上の代表アルゴリズムの性能を要約する。
論文参考訳（メタデータ） (2020-05-03T14:18:00Z)

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。