論文の概要: Detecting tiny objects in aerial images: A normalized Wasserstein distance and a new benchmark

• arxiv url: http://arxiv.org/abs/2206.13996v1
• Date: Tue, 28 Jun 2022 13:33:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 13:33:16.322795
• Title: Detecting tiny objects in aerial images: A normalized Wasserstein distance and a new benchmark
• Title（参考訳）: 航空画像中の微小物体の検出:正規化wasserstein距離と新しいベンチマーク
• Authors: Chang Xu, Jinwang Wang, Wen Yang, Huai Yu, Lei Yu, Gui-Song Xia
• Abstract要約: 本稿では, 正規化ワッサースタイン距離 (NWD) と呼ばれる新しい評価基準と, 小型物体検出のためのRanKing-based Assigning (RKA) 戦略を提案する。 提案したNWD-RKA戦略は、標準のIoUしきい値に基づくものを置き換えるために、あらゆる種類のアンカーベースの検出器に容易に組み込むことができる。 4つのデータセットでテストされたNWD-RKAは、大きなマージンで小さなオブジェクト検出性能を継続的に改善することができる。
• 参考スコア（独自算出の注目度）: 45.10513110142015
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tiny object detection (TOD) in aerial images is challenging since a tiny object only contains a few pixels. State-of-the-art object detectors do not provide satisfactory results on tiny objects due to the lack of supervision from discriminative features. Our key observation is that the Intersection over Union (IoU) metric and its extensions are very sensitive to the location deviation of the tiny objects, which drastically deteriorates the quality of label assignment when used in anchor-based detectors. To tackle this problem, we propose a new evaluation metric dubbed Normalized Wasserstein Distance (NWD) and a new RanKing-based Assigning (RKA) strategy for tiny object detection. The proposed NWD-RKA strategy can be easily embedded into all kinds of anchor-based detectors to replace the standard IoU threshold-based one, significantly improving label assignment and providing sufficient supervision information for network training. Tested on four datasets, NWD-RKA can consistently improve tiny object detection performance by a large margin. Besides, observing prominent noisy labels in the Tiny Object Detection in Aerial Images (AI-TOD) dataset, we are motivated to meticulously relabel it and release AI-TOD-v2 and its corresponding benchmark. In AI-TOD-v2, the missing annotation and location error problems are considerably mitigated, facilitating more reliable training and validation processes. Embedding NWD-RKA into DetectoRS, the detection performance achieves 4.3 AP points improvement over state-of-the-art competitors on AI-TOD-v2. Datasets, codes, and more visualizations are available at: https://chasel-tsui.github.io/AI-TOD-v2/
• Abstract（参考訳）: 空中画像における細い物体検出(TOD)は、小さな物体が数ピクセルしか持たないため困難である。 最先端のオブジェクト検出器は、識別的特徴の監督が欠如しているため、小さなオブジェクトに対して満足な結果を提供しない。 我々のキーとなる観察は、IoU(Intersection over Union)メートル法とその拡張法は、小さな物体の位置ずれに非常に敏感であり、アンカーベース検出器で使用する場合のラベル割り当ての質を劇的に低下させる。 この問題に対処するために,正規化ワッサースタイン距離 (NWD) と呼ばれる新しい評価基準と,小型物体検出のためのRanKing-based Assigning (RKA) 戦略を提案する。 提案したNWD-RKA戦略は、標準のIoUしきい値に基づくものを置き換えるために、あらゆる種類のアンカーベース検出器に容易に組み込むことができ、ラベル割り当てを大幅に改善し、ネットワークトレーニングに十分な監視情報を提供する。 4つのデータセットでテストされたNWD-RKAは、大きなマージンで小さなオブジェクト検出性能を継続的に改善することができる。 さらに,Aerial Images(AI-TOD)データセットにおけるTiny Object Detection(AI-TOD)の顕著なノイズラベルを観察し,AI-TOD-v2とその対応するベンチマークをリリースする動機付けを行った。 AI-TOD-v2では、アノテーションと位置エラーの問題は大幅に軽減され、より信頼性の高いトレーニングと検証プロセスが促進される。 DetectoRSにNWD-RKAを組み込むと、検出性能はAI-TOD-v2上の最先端の競合よりも4.3APポイント向上する。 データセット、コード、さらに多くの視覚化は、https://chasel-tsui.github.io/AI-TOD-v2/で利用可能である。

関連論文リスト

• Similarity Distance-Based Label Assignment for Tiny Object Detection [17.059514012235354]
  そこで我々は,SimD(Simisity Distance)と呼ばれるシンプルだが効果的な戦略を導入し,ボックス間の類似性を評価する。 我々のアプローチは、ラベル割り当てやNon Maximum Suppression(NMS)のためのIoUの代わりに、一般的なアンカーベース検出器に適用できる。 4つの主流となる小型物体検出データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-07-02T16:12:37Z)
• Robust Tiny Object Detection in Aerial Images amidst Label Noise [50.257696872021164]
  本研究は,ノイズラベル管理下での微小物体検出の問題に対処する。 本稿では,DN-TOD(Denoising Tiny Object Detector)を提案する。 本手法は,1段と2段の両方のオブジェクト検出パイプラインにシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-01-16T02:14:33Z)
• Improving the Detection of Small Oriented Objects in Aerial Images [0.0]
  本研究では,オブジェクト指向物体検出モデルの分類・回帰タスクを強化することにより,空中画像中の小型物体を高精度に検出する手法を提案する。 ガイド・アテンション・ロス(GALoss)とボックス・ポイント・ロス(BPLoss)の2つの損失からなるアテンション・ポイント・ネットワークを設計した。 実験結果から,小型オブジェクトインスタンスを用いた標準指向型空中データセットにおける注意点ネットワークの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-12T11:00:07Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection [45.10513110142015]
  現在のアンカーベースまたはアンカーフリーなラベル割り当てパラダイムは、多くのアウトリーな小さな基底真理サンプルを発生させる。 本稿では,小物体検出のためのガウス受容場に基づくラベルアサインメント(RFLA)戦略を提案する。 当社のアプローチは、AI-TODデータセットの4.0APポイントで最先端の競合より優れています。
  論文  参考訳（メタデータ） (2022-08-18T09:35:56Z)
• Towards Large-Scale Small Object Detection: Survey and Benchmarks [48.961205652306695]
  我々は2つの大規模小型物体検出装置(SODA)、SODA-DおよびSODA-Aを構築し、それぞれが運転シナリオと航空シナリオに焦点を当てている。 SODA-Aでは,高分解能空中画像2513点を抽出し,9クラスに872069点を注釈した。 提案されたデータセットは、徹底的な注釈付きインスタンスの膨大なコレクションを持つ大規模なベンチマークへの最初の試みである。
  論文  参考訳（メタデータ） (2022-07-28T14:02:18Z)
• A Normalized Gaussian Wasserstein Distance for Tiny Object Detection [21.50800336432307]
  最先端の検出器は、外観情報がないため、小さな物体に対して満足な結果を出さない。 微小物体検出のためのワッサーシュタイン距離を用いた新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2021-10-26T03:43:17Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
  小さくて散らばった物体は実世界では一般的であり、検出は困難である。 本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。 機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
  論文  参考訳（メタデータ） (2020-04-28T06:03:54Z)

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。