論文の概要: Centerpoints Are All You Need in Overhead Imagery
- arxiv url: http://arxiv.org/abs/2210.01857v1
- Date: Tue, 4 Oct 2022 18:57:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-10-06 12:48:26.794576
- Title: Centerpoints Are All You Need in Overhead Imagery
- Title（参考訳）: オーバーヘッド画像に必要なのはセンターポイント
- Authors: James Mason Inder, Mark Lowell, Andrew J. Maltenfort
- Abstract要約: オブジェクト検出のためのパブリックなオーバーヘッドデータセットには、イメージ整列バウンディングボックス、オブジェクト整列バウンディングボックス、オブジェクトマスクがラベル付けされている。
提案手法を試すため,ラベル付けにセンタポイントを用いた新しいシングルステージおよびツーステージネットワークアーキテクチャを開発した。
本稿では,これらのアーキテクチャが3つのオーバヘッドオブジェクト検出データセット上でより詳細なラベル付けを用いて,アプローチとほぼ同等の性能を実現することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Labeling data to use for training object detectors is expensive and time
consuming. Publicly available overhead datasets for object detection are
labeled with image-aligned bounding boxes, object-aligned bounding boxes, or
object masks, but it is not clear whether such detailed labeling is necessary.
To test the idea, we developed novel single- and two-stage network
architectures that use centerpoints for labeling. In this paper we show that
these architectures achieve nearly equivalent performance to approaches using
more detailed labeling on three overhead object detection datasets.
- Abstract（参考訳）: オブジェクト検出器のトレーニングに使用するデータラベリングは高価で時間がかかります。
オブジェクト検出のためのパブリックなオーバーヘッドデータセットには、イメージ整列バウンディングボックス、オブジェクト整列バウンディングボックス、オブジェクトマスクがラベル付けされている。
提案手法を試すため,ラベル付けにセンタポイントを用いた新しいシングルステージおよびツーステージネットワークアーキテクチャを開発した。
本稿では、3つのオーバーヘッドオブジェクト検出データセットに対するより詳細なラベル付けを用いて、これらのアーキテクチャがアプローチとほぼ同等のパフォーマンスを実現することを示す。
関連論文リスト
- PatchContrast: Self-Supervised Pre-training for 3D Object Detection [14.603858163158625]
PatchContrastは、3Dオブジェクト検出のための新しい自己教師付きポイントクラウド事前学習フレームワークである。
提案手法は,3つの一般的な3次元検出データセットにおいて,既存の最先端モデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-14T07:45:54Z) - 3D Spatial Recognition without Spatially Labeled 3D [127.6254240158249]
Weakly-supervised framework for Point cloud Recognitionを紹介する。
We show that WyPR can detected and segment objects in point cloud data without access any space labels at training time。
論文 参考訳（メタデータ） (2021-05-13T17:58:07Z) - 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) - Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。
提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。
そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。
ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文 参考訳（メタデータ） (2020-11-25T18:59:54Z) - Learning Object Detection from Captions via Textual Scene Attributes [70.90708863394902]
キャプションには、オブジェクトの属性やそれらの関係など、画像に関するよりリッチな情報が含まれている、と我々は主張する。
本稿では,この「テキストシーングラフ」の属性を用いて物体検知器を訓練する手法を提案する。
得られたモデルが、いくつかの挑戦的なオブジェクト検出データセットに対して、最先端の結果を達成することを実証的に実証した。
論文 参考訳（メタデータ） (2020-09-30T10:59:20Z) - Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。
そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。
我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
論文 参考訳（メタデータ） (2020-03-17T12:59:50Z) - BirdNet+: End-to-End 3D Object Detection in LiDAR Bird's Eye View [117.44028458220427]
自動運転車のオンボード3Dオブジェクト検出は、LiDARデバイスが捉えた幾何学情報に依存することが多い。
本稿では,BEV画像のみから指向性3Dボックスを推測可能な,エンドツーエンドの3Dオブジェクト検出フレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-09T15:08:40Z)
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。