論文の概要: A Guide to Image and Video based Small Object Detection using Deep
Learning : Case Study of Maritime Surveillance
- arxiv url: http://arxiv.org/abs/2207.12926v1
- Date: Tue, 26 Jul 2022 14:28:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-27 12:24:50.812275
- Title: A Guide to Image and Video based Small Object Detection using Deep
Learning : Case Study of Maritime Surveillance
- Title（参考訳）: 深層学習を用いた画像・映像に基づく小型物体検出のガイド : 海上監視を事例として
- Authors: Aref Miri Rekavandi, Lian Xu, Farid Boussaid, Abd-Krim Seghouane,
Stephen Hoefs and Mohammed Bennamoun
- Abstract要約: 光画像やビデオにおける小さな物体検出は難しい問題である。
最先端のジェネリックオブジェクト検出方法でさえ、そのようなオブジェクトの正確なローカライズと識別に失敗する。
本稿では,既存の文献を要約し,現在の研究の全体像を示す分類法を提案する。
- 参考スコア（独自算出の注目度）: 38.88995659233979
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Small object detection (SOD) in optical images and videos is a challenging
problem that even state-of-the-art generic object detection methods fail to
accurately localize and identify such objects. Typically, small objects appear
in real-world due to large camera-object distance. Because small objects occupy
only a small area in the input image (e.g., less than 10%), the information
extracted from such a small area is not always rich enough to support decision
making. Multidisciplinary strategies are being developed by researchers working
at the interface of deep learning and computer vision to enhance the
performance of SOD deep learning based methods. In this paper, we provide a
comprehensive review of over 160 research papers published between 2017 and
2022 in order to survey this growing subject. This paper summarizes the
existing literature and provide a taxonomy that illustrates the broad picture
of current research. We investigate how to improve the performance of small
object detection in maritime environments, where increasing performance is
critical. By establishing a connection between generic and maritime SOD
research, future directions have been identified. In addition, the popular
datasets that have been used for SOD for generic and maritime applications are
discussed, and also well-known evaluation metrics for the state-of-the-art
methods on some of the datasets are provided.
- Abstract（参考訳）: 光画像やビデオにおける小さなオブジェクト検出(SOD)は、最先端の汎用オブジェクト検出方法でさえ、そのようなオブジェクトを正確にローカライズして識別できないという難しい問題である。
通常、小さな物体は大きなカメラオブジェクト距離のために現実世界に現れる。
小さなオブジェクトは入力画像の小さな領域(例えば10%未満)のみを占めるため、そのような小さな領域から抽出された情報は、意思決定をサポートするのに十分なリッチであるとは限らない。
SOD深層学習に基づく手法の性能を高めるため、深層学習とコンピュータビジョンのインターフェースを研究している研究者によって多分野戦略が開発されている。
本稿では、2017年から2022年にかけて発行された160以上の研究論文を総合的にレビューし、この成長課題について調査する。
本稿では,既存の文献を要約し,現在の研究の全体像を示す分類法を提案する。
本研究では,海上環境における小型物体検出の性能向上について検討する。
総合SOD研究と海洋SOD研究のつながりを確立することで、今後の方向性が特定された。
また、汎用および海洋アプリケーションでsodに使用されている一般的なデータセットについて検討し、いくつかのデータセットにおける最先端メソッドの評価メトリクスを提供する。
関連論文リスト
- Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。
近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T00:25:33Z) - Beyond Few-shot Object Detection: A Detailed Survey [25.465534270637523]
研究者たちは、数発の学習とオブジェクト検出の原則を融合させる、数発のオブジェクト検出(FSOD)アプローチを導入した。
これらのアプローチは、広範なラベル付きデータセットへの依存を減らす上で重要な役割を果たす。
本研究の目的は,上記の数ショット設定を包括的に理解し,各FSODタスクの方法論を探索することである。
論文 参考訳（メタデータ） (2024-08-26T13:09:23Z) - Few-Shot Object Detection: Research Advances and Challenges [15.916463121997843]
Few-shot Object Detection (FSOD)は、少数の学習技術とオブジェクト検出技術を組み合わせて、注釈付きサンプルに制限のある新しいオブジェクトに迅速に適応する。
本稿では,近年のFSOD分野の進歩を概観する包括的調査を行う。
論文 参考訳（メタデータ） (2024-04-07T03:37:29Z) - 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) - 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) - Few-Shot Object Detection: A Survey [4.266990593059534]
オブジェクト検出は、ターゲットドメイン内の新しいカテゴリの少数のオブジェクトインスタンスから学ぶことを目的としている。
トレーニング手法とアーキテクチャレイアウトに応じてアプローチを分類する。
一般的なデータセットとその評価プロトコルを導入し,ベンチマーク結果を解析する。
論文 参考訳（メタデータ） (2021-12-22T07:08:53Z) - 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) - Discovery-and-Selection: Towards Optimal Multiple Instance Learning for
Weakly Supervised Object Detection [86.86602297364826]
複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。
我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
論文 参考訳（メタデータ） (2021-10-18T07:06:57Z) - Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。
この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
論文 参考訳（メタデータ） (2021-08-15T14:36:02Z) - Deep Learning on Monocular Object Pose Detection and Tracking: A
Comprehensive Overview [8.442460766094674]
オブジェクトのポーズ検出と追跡は、自律運転、ロボット工学、拡張現実など、多くの分野で広く応用されているため、注目を集めている。
ディープラーニングは、他のものよりも優れたパフォーマンスを示した最も有望なものです。
本稿では,ディープラーニング技術経路に属するオブジェクトのポーズ検出と追跡の最近の進歩を概観する。
論文 参考訳（メタデータ） (2021-05-29T12:59:29Z)
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。