論文の概要: OBBStacking: An Ensemble Method for Remote Sensing Object Detection

• arxiv url: http://arxiv.org/abs/2209.13369v1
• Date: Tue, 27 Sep 2022 13:17:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 15:42:03.438232
• Title: OBBStacking: An Ensemble Method for Remote Sensing Object Detection
• Title（参考訳）: OBBStacking:リモートセンシングオブジェクト検出のためのアンサンブル手法
• Authors: Haoning Lin, Changhao Sun, Yunpeng Liu
• Abstract要約: 本稿では,OBBと互換性のあるアンサンブル手法であるOBBStackingを提案する。 DOTAデータセットとFAIR1Mデータセットの実験では、OBBStackingのパフォーマンスが改善された。
• 参考スコア（独自算出の注目度）: 3.3732000156613635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensemble methods are a reliable way to combine several models to achieve superior performance. However, research on the application of ensemble methods in the remote sensing object detection scenario is mostly overlooked. Two problems arise. First, one unique characteristic of remote sensing object detection is the Oriented Bounding Boxes (OBB) of the objects and the fusion of multiple OBBs requires further research attention. Second, the widely used deep learning object detectors provide a score for each detected object as an indicator of confidence, but how to use these indicators effectively in an ensemble method remains a problem. Trying to address these problems, this paper proposes OBBStacking, an ensemble method that is compatible with OBBs and combines the detection results in a learned fashion. This ensemble method helps take 1st place in the Challenge Track \textit{Fine-grained Object Recognition in High-Resolution Optical Images}, which was featured in \textit{2021 Gaofen Challenge on Automated High-Resolution Earth Observation Image Interpretation}. The experiments on DOTA dataset and FAIR1M dataset demonstrate the improved performance of OBBStacking and the features of OBBStacking are analyzed.
• Abstract（参考訳）: アンサンブルメソッドは、優れたパフォーマンスを達成するために複数のモデルを統合する信頼できる方法である。 しかし、リモートセンシングオブジェクト検出シナリオにおけるアンサンブル手法の適用に関する研究はほとんど見過ごされている。 2つの問題が生じる。 第一に、リモートセンシングオブジェクト検出のユニークな特徴は、オブジェクトのオブジェクト指向バウンディングボックス(OBB)であり、複数のOBBの融合にはさらなる研究が必要である。 第二に、広く使われている深層学習物体検出器は、検出対象毎に信頼度を示す指標としてスコアを提供するが、これらの指標をアンサンブル法で効果的に利用する方法は問題である。 そこで本研究では,OBBと互換性のあるアンサンブル手法であるOBBStackingを提案する。 このアンサンブル手法は、自動高分解能地球観測画像解釈に関する \textit{2021 gaofen challenge で紹介されたチャレンジトラック \textit{fine-grained object recognition in high- resolution optical images} で1位を獲得するのに役立つ。 DOTAデータセットとFAIR1Mデータセットに関する実験は、OBBStackingの性能改善とOBBStackingの特徴を分析した。

関連論文リスト

• PointOBB: Learning Oriented Object Detection via Single Point Supervision [55.88982271340328]
  本稿では,オブジェクト指向物体検出のための最初の単一点ベース OBB 生成法である PointOBB を提案する。 PointOBBは、オリジナルビュー、リサイズビュー、ローテーション/フリップ(rot/flp)ビューの3つのユニークなビューの協調利用を通じて動作する。 DIOR-RとDOTA-v1.0データセットの実験結果は、PointOBBが有望な性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:51:50Z)
• Detector Guidance for Multi-Object Text-to-Image Generation [61.70018793720616]
  Detector Guidance(DG)は、潜在オブジェクト検出モデルを統合して、生成プロセス中に異なるオブジェクトを分離する。 人間の評価は、DGが対立する概念の融合を防ぐのに8-22%の利点をもたらすことを示した。
  論文  参考訳（メタデータ） (2023-06-04T02:33:12Z)
• Learning Remote Sensing Object Detection with Single Point Supervision [17.12725535531483]
  Pointly Supervised Object Detection (PSOD) は、ボックスレベルの監視対象検出と比較してラベリングコストが低いため、かなりの関心を集めている。 本研究では,RS画像に適したPSOD法を提案する。 提案手法は,最先端の画像レベルとポイントレベルの教師付き検出法と比較して性能が大幅に向上し,PSODとボックスレベルの教師付きオブジェクト検出の差を低減できる。
  論文  参考訳（メタデータ） (2023-05-23T15:06:04Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Graph Fusion Network for Multi-Oriented Object Detection [15.451824121019449]
  本稿では,多目的物体検出のための新しいグラフ融合ネットワークGFNetを提案する。 我々のGFNetは、より正確で総合的な多目的オブジェクトインスタンスを検出するために、高密度検出ボックスを適応的に融合しています。
  論文  参考訳（メタデータ） (2022-05-07T05:47:22Z)
• Focus-and-Detect: A Small Object Detection Framework for Aerial Images [1.911678487931003]
  我々はFocus-and-Detectと呼ばれる2段階のオブジェクト検出フレームワークを提案する。 第1段階は、焦点領域を構成するオブジェクトのクラスタを生成する。 第2段階は対象検出器ネットワークであり、焦点領域内の物体を予測する。 提案した2段階のフレームワークは,VisDrone検証データセットのAPスコアが42.06であることを示す。
  論文  参考訳（メタデータ） (2022-03-24T10:43:56Z)
• 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)
• Ensembling object detectors for image and video data analysis [98.26061123111647]
  本稿では,複数の物体検出器の出力をアンサンブルすることで,画像データ上の境界ボックスの検出性能と精度を向上させる手法を提案する。 本研究では,2段階追跡に基づく検出精度向上手法を提案することで,映像データに拡張する。
  論文  参考訳（メタデータ） (2021-02-09T12:38:16Z)
• Towards Accurate Camouflaged Object Detection with Mixture Convolution and Interactive Fusion [45.45231015502287]
  本稿では,大規模な受容場と効果的な特徴融合を統合されたフレームワークに統合する,新しい深層学習型COD手法を提案する。 提案手法は,大規模な受容場からのリッチなコンテキスト情報を集約する,効果的な融合戦略により,カモフラージュされた物体を検出する。
  論文  参考訳（メタデータ） (2021-01-14T16:06:08Z)
• 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)

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。