論文の概要: Object Detection in Aerial Images with Uncertainty-Aware Graph Network
- arxiv url: http://arxiv.org/abs/2208.10781v1
- Date: Tue, 23 Aug 2022 07:29:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 13:18:53.097259
- Title: Object Detection in Aerial Images with Uncertainty-Aware Graph Network
- Title(参考訳): 不確実性グラフネットワークを用いた空中画像の物体検出
- Authors: Jongha Kim, Jinheon Baek, Sung Ju Hwang
- Abstract要約: 本稿では,ノードとエッジがオブジェクトによって表現される構造化グラフを用いた,新しい不確実性を考慮したオブジェクト検出フレームワークを提案する。
我々は我々のモデルをオブジェクトDETection(UAGDet)のための不確実性対応グラフネットワークと呼ぶ。
- 参考スコア(独自算出の注目度): 61.02591506040606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we propose a novel uncertainty-aware object detection framework
with a structured-graph, where nodes and edges are denoted by objects and their
spatial-semantic similarities, respectively. Specifically, we aim to consider
relationships among objects for effectively contextualizing them. To achieve
this, we first detect objects and then measure their semantic and spatial
distances to construct an object graph, which is then represented by a graph
neural network (GNN) for refining visual CNN features for objects. However,
refining CNN features and detection results of every object are inefficient and
may not be necessary, as that include correct predictions with low
uncertainties. Therefore, we propose to handle uncertain objects by not only
transferring the representation from certain objects (sources) to uncertain
objects (targets) over the directed graph, but also improving CNN features only
on objects regarded as uncertain with their representational outputs from the
GNN. Furthermore, we calculate a training loss by giving larger weights on
uncertain objects, to concentrate on improving uncertain object predictions
while maintaining high performances on certain objects. We refer to our model
as Uncertainty-Aware Graph network for object DETection (UAGDet). We then
experimentally validate ours on the challenging large-scale aerial image
dataset, namely DOTA, that consists of lots of objects with small to large
sizes in an image, on which ours improves the performance of the existing
object detection network.
- Abstract(参考訳): 本研究では,ノードとエッジをそれぞれオブジェクトと空間論的類似性で表す構造化グラフを用いた,新たな不確実性対応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,オブジェクト間の関係を効果的にコンテキスト化することを目的としている。
これを実現するために、まずオブジェクトを検出し、その意味と空間距離を測定してオブジェクトグラフを構築し、それからオブジェクトの視覚的CNN特徴を精査するグラフニューラルネットワーク(GNN)で表現する。
しかしながら、cnnの特徴と全てのオブジェクトの検出結果は非効率であり、不確実性の低い正確な予測を含むため必要ではないかもしれない。
そこで本稿では、対象物(ソース)から対象物(ターゲット)への表現を有向グラフ上で転送するだけでなく、GNNからの表現出力で不確実であると見なされるオブジェクトに対してのみCNN機能を改善することを提案する。
さらに,不確実物体に対して大きな重みを与えてトレーニング損失を算出し,特定の物体に対する高い性能を維持しながら不確実物体予測の改善に集中する。
我々は、オブジェクトDETection(UAGDet)のための不確実性認識グラフネットワークと呼ぶ。
そこで我々は,既存の物体検出ネットワークの性能を向上させるため,画像中の小~大サイズの多数の物体からなる大規模空中画像データセットdotaを実験的に検証した。
関連論文リスト
- 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) - 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) - UnsMOT: Unified Framework for Unsupervised Multi-Object Tracking with
Geometric Topology Guidance [6.577227592760559]
UnsMOTは、オブジェクトの外観と運動の特徴と幾何学的情報を組み合わせて、より正確なトラッキングを提供する新しいフレームワークである。
実験結果から, HOTA, IDF1, MOTAの計測値において, 最先端手法と比較して顕著な性能を示した。
論文 参考訳(メタデータ) (2023-09-03T04:58:12Z) - ARUBA: An Architecture-Agnostic Balanced Loss for Aerial Object
Detection [24.085715205081385]
我々は、オブジェクトのサイズを画像中の画素数、サイズ不均衡として、データセット内の特定のサイズのオブジェクトの過剰表現として表現する。
本稿では,任意のオブジェクト検出モデル上にプラグインとして適用可能な,新しいARchitectUre-Agnostic BAlanced Loss (ARUBA)を提案する。
論文 参考訳(メタデータ) (2022-10-10T11:28:16Z) - 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) - AdaCon: Adaptive Context-Aware Object Detection for Resource-Constrained
Embedded Devices [2.5345835184316536]
畳み込みニューラルネットワークは、オブジェクト検出タスクにおいて最先端の精度を達成する。
リソース制約のあるエッジデバイスへの展開に挑戦する計算とエネルギーの要求が大きい。
本稿では,物体検出モデルの効率を高めるために,異なる対象カテゴリが共同で発生する確率に関する事前知識を活用する。
COCOデータセットを用いた実験の結果, 適応物体検出モデルでは, エネルギー消費量が最大45%減少し, 遅延が最大27%減少し, 物体検出の平均精度(AP)が低下することがわかった。
論文 参考訳(メタデータ) (2021-08-16T01:21:55Z) - Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。
この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。
我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文 参考訳(メタデータ) (2021-05-07T03:49:26Z) - Contemplating real-world object classification [53.10151901863263]
Barbuらが最近提案したObjectNetデータセットを再分析した。
日常の状況に物を含むこと。
分離されたオブジェクトにディープモデルを適用すると、元の論文のようにシーン全体ではなく、約20~30%の性能改善が得られます。
論文 参考訳(メタデータ) (2021-03-08T23:29:59Z) - 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) - Object condensation: one-stage grid-free multi-object reconstruction in
physics detectors, graph and image data [0.0]
検出器信号に対して新しい物体凝縮法を提案する。
この方法は、グラフや点雲のような非イメージ的なデータ構造に基づいている。
これは画像の単純な対象分類問題に適用され、検出器信号から複数の粒子を再構成するために使用される。
論文 参考訳(メタデータ) (2020-02-10T09:04:02Z)
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。