論文の概要: Progressive Domain Adaptation with Contrastive Learning for Object Detection in the Satellite Imagery

• arxiv url: http://arxiv.org/abs/2209.02564v3
• Date: Tue, 31 Oct 2023 04:24:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 04:45:24.325076
• Title: Progressive Domain Adaptation with Contrastive Learning for Object Detection in the Satellite Imagery
• Title（参考訳）: 衛星画像における物体検出のためのコントラスト学習によるプログレッシブ領域適応
• Authors: Debojyoti Biswas and Jelena Te\v{s}i\'c
• Abstract要約: 最先端のオブジェクト検出手法は、小さくて密度の高いオブジェクトを特定するのにほとんど失敗している。 本稿では,特徴抽出プロセスを改善する小型物体検出パイプラインを提案する。 未確認データセットにおけるオブジェクト識別の劣化を緩和できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: State-of-the-art object detection methods applied to satellite and drone imagery largely fail to identify small and dense objects. One reason is the high variability of content in the overhead imagery due to the terrestrial region captured and the high variability of acquisition conditions. Another reason is that the number and size of objects in aerial imagery are very different than in the consumer data. In this work, we propose a small object detection pipeline that improves the feature extraction process by spatial pyramid pooling, cross-stage partial networks, heatmap-based region proposal network, and object localization and identification through a novel image difficulty score that adapts the overall focal loss measure based on the image difficulty. Next, we propose novel contrastive learning with progressive domain adaptation to produce domain-invariant features across aerial datasets using local and global components. We show we can alleviate the degradation of object identification in previously unseen datasets. We create a first-ever domain adaptation benchmark using contrastive learning for the object detection task in highly imbalanced satellite datasets with significant domain gaps and dominant small objects. The proposed method results in a 7.4% increase in mAP performance measure over the best state-of-art.
• Abstract（参考訳）: 衛星画像やドローン画像に適用された最先端の物体検出手法は、ほとんど小さくて密度の高い物体を識別できない。 1つの理由として、地上領域が捉えたオーバーヘッド画像における内容のばらつきが高く、取得条件のばらつきが高いことが挙げられる。 もう一つの理由は、空中画像中の物体の数と大きさが消費者データとは大きく異なるからである。 本研究では,空間的ピラミッドプール,クロスステージ部分ネットワーク,ヒートマップに基づく領域提案ネットワーク,および画像難易度に基づく全体焦点損失測定に適応した新しい画像難易度スコアによる物体の局所化と識別により,特徴抽出プロセスを改善する小型物体検出パイプラインを提案する。 次に、局所的および大域的コンポーネントを用いて、航空データセット間でドメイン不変な特徴を生成するために、プログレッシブ・ドメイン適応を用いた新しいコントラッシブ・ラーニングを提案する。 未確認データセットにおけるオブジェクト識別の劣化を緩和できることを示す。 ドメインギャップと支配的な小さなオブジェクトを持つ高度に不均衡な衛星データセットにおけるオブジェクト検出タスクに対して、コントラスト学習を用いた最初のドメイン適応ベンチマークを作成する。 提案手法は,最先端技術よりもmAP性能を7.4%向上させる。

関連論文リスト

• FlightScope: A Deep Comprehensive Review of Aircraft Detection Algorithms in Satellite Imagery [2.9687381456164004]
  本稿では,衛星画像中の航空機を識別するタスク用にカスタマイズされた,高度な物体検出アルゴリズム群を批判的に評価し,比較する。 この研究は、YOLOバージョン5と8、より高速なRCNN、CenterNet、RetinaNet、RTMDet、DETRを含む一連の方法論を含む。 YOLOv5は空中物体検出のための堅牢なソリューションとして登場し、平均的精度、リコール、ユニオンのスコアに対するインターセクションによってその重要性を裏付けている。
  論文  参考訳（メタデータ） (2024-04-03T17:24:27Z)
• 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)
• Sci-Net: a Scale Invariant Model for Building Detection from Aerial Images [0.0]
  本研究では,空間分解能の異なる空間画像に存在している建物を分割できるスケール不変ニューラルネットワーク(Sci-Net)を提案する。 具体的には,U-Netアーキテクチャを改良し,それを高密度なASPP(Atrous Space Pyramid Pooling)で融合し,微細なマルチスケール表現を抽出した。
  論文  参考訳（メタデータ） (2021-11-12T16:45:20Z)
• Decoupled Adaptation for Cross-Domain Object Detection [69.5852335091519]
  クロスドメインオブジェクト検出は、オブジェクト分類よりも難しい。 D-adaptは4つのクロスドメインオブジェクト検出タスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-10-06T08:43:59Z)
• AdaZoom: Adaptive Zoom Network for Multi-Scale Object Detection in Large Scenes [57.969186815591186]
  大規模なシーンの検出は、小さなオブジェクトと極端なスケールの変動のために難しい問題である。 本稿では,物体検出のための焦点領域を適応的に拡大するために,フレキシブルな形状と焦点長を有する選択的拡大器として,新しい適応型Zoom(AdaZoom)ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-19T03:30:22Z)
• Bi-Dimensional Feature Alignment for Cross-Domain Object Detection [71.85594342357815]
  教師なしクロスドメイン検出モデルを提案する。 ソースドメインのアノテーション付きデータを利用して、異なるターゲットドメインに対してオブジェクト検出器をトレーニングする。 提案モデルでは、オブジェクト検出のためのクロスドメイン表現のばらつきを緩和する。
  論文  参考訳（メタデータ） (2020-11-14T03:03:11Z)
• Counting from Sky: A Large-scale Dataset for Remote Sensing Object Counting and A Benchmark Method [52.182698295053264]
  リモートセンシング画像から高密度物体をカウントすることに興味がある。自然界における物体のカウントと比較すると、このタスクは、大規模変動、複雑な乱れ背景、配向仲裁といった要因において困難である。 これらの課題に対処するために,我々はまず,4つの重要な地理的対象を含むリモートセンシング画像を用いた大規模オブジェクトカウントデータセットを構築した。 次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-08-28T03:47:49Z)
• LR-CNN: Local-aware Region CNN for Vehicle Detection in Aerial Imagery [43.91170581467171]
  最先端の物体検出手法は、大規模な空中画像において、任意の向きの密集した小さなターゲットを検出するのに困難である。 本稿では,航空画像における車両検出のための新しい2段階アプローチとして,地域認識型地域畳み込みニューラルネットワーク(LR-CNN)を提案する。
  論文  参考訳（メタデータ） (2020-05-28T19:57:34Z)
• Concurrent Segmentation and Object Detection CNNs for Aircraft Detection and Identification in Satellite Images [0.0]
  本稿では,2つの全く異なる畳み込みニューラルネットワーク(CNN)を組み合わせて航空機を検出・識別する専用手法を提案する。 その結果, この組み合わせは各ユニタリモデルよりも有意に優れ, 偽陰性率を大幅に低下させることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T07:35:55Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)

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。