論文の概要: Deep Learning for Logo Detection: A Survey
- arxiv url: http://arxiv.org/abs/2210.04399v1
- Date: Mon, 10 Oct 2022 02:07:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 17:57:56.628424
- Title: Deep Learning for Logo Detection: A Survey
- Title（参考訳）: ロゴ検出のためのディープラーニング:調査
- Authors: Sujuan Hou, Jiacheng Li, Weiqing Min, Qiang Hou, Yanna Zhao, Yuanjie
Zheng and Shuqiang Jiang
- Abstract要約: 本稿では, 深層学習技術のロゴ検出への応用について概説する。
既存のロゴ検出戦略と学習戦略の長所と短所を詳細に分析する。
知的輸送やブランド監視から著作権や商標の遵守に至るまで,さまざまな分野におけるロゴ検出の応用を要約する。
- 参考スコア（独自算出の注目度）: 59.278443852492465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When logos are increasingly created, logo detection has gradually become a
research hotspot across many domains and tasks. Recent advances in this area
are dominated by deep learning-based solutions, where many datasets, learning
strategies, network architectures, etc. have been employed. This paper reviews
the advance in applying deep learning techniques to logo detection. Firstly, we
discuss a comprehensive account of public datasets designed to facilitate
performance evaluation of logo detection algorithms, which tend to be more
diverse, more challenging, and more reflective of real life. Next, we perform
an in-depth analysis of the existing logo detection strategies and the
strengths and weaknesses of each learning strategy. Subsequently, we summarize
the applications of logo detection in various fields, from intelligent
transportation and brand monitoring to copyright and trademark compliance.
Finally, we analyze the potential challenges and present the future directions
for the development of logo detection to complete this survey.
- Abstract（参考訳）: ロゴがますます作成されるにつれて、ロゴ検出は多くのドメインやタスクで研究ホットスポットとなっている。
この領域の最近の進歩は、多くのデータセット、学習戦略、ネットワークアーキテクチャなどを用いたディープラーニングベースのソリューションによって支配されている。
本稿では, 深層学習技術のロゴ検出への応用について概説する。
まず,より多様で,より困難で,より現実を反映した,ロゴ検出アルゴリズムの性能評価を容易にするように設計された公開データセットの包括的な説明について述べる。
次に,既存のロゴ検出戦略と学習戦略の長所と短所を詳細に分析する。
その後,知的輸送やブランド監視から著作権及び商標の遵守に至るまで,さまざまな分野におけるロゴ検出の応用について要約する。
最後に,潜在的な課題を分析し,ロゴ検出の開発に向けた今後の方向性を示す。
関連論文リスト
- LogoSticker: Inserting Logos into Diffusion Models for Customized Generation [73.59571559978278]
テキスト・ツー・イメージ・モデルにロゴを挿入する作業を導入する。
我々の目標は、ロゴのアイデンティティを拡散モデルに挿入し、様々な状況下でシームレスに合成できるようにすることです。
この課題に対処するために,新しい2相パイプラインLogoStickerを提案する。
論文 参考訳（メタデータ） (2024-07-18T17:54:49Z) - Brand Visibility in Packaging: A Deep Learning Approach for Logo
Detection, Saliency-Map Prediction, and Logo Placement Analysis [4.046280139210501]
本稿では,ブランドロゴのパッケージデザインへの注目度を測定するための包括的枠組みを提案する。
最初のステップでは、YOLOv8を活用して、著名なデータセットであるFoodLogoDet-1500とLogoDet-3Kの正確なロゴ検出を行う。
第2のステップは、パッケージングコンテキストに適した、新しい唾液度予測モデルによって、ユーザの視覚的注意をモデル化することである。
論文 参考訳（メタデータ） (2024-03-04T18:58:53Z) - Contrastive Multi-View Textual-Visual Encoding: Towards One Hundred
Thousand-Scale One-Shot Logo Identification [2.243832625209014]
オープン・セットのワンショット・セッティングにおいて,ビジネスブランドのロゴを自然シーンで識別する問題について検討する。
ロゴに現れるテキストをエンコードする新しい多視点テキスト視覚符号化フレームワークを提案する。
提案手法は, 自然シーンの作業において, 作付ロゴ識別, 作付ロゴ識別, エンド・ツー・エンドのロゴ識別を行う。
論文 参考訳（メタデータ） (2022-11-23T12:59:41Z) - Discriminative Semantic Feature Pyramid Network with Guided Anchoring
for Logo Detection [52.36825190893928]
我々は,DSFP-GAを用いた識別的セマンティック特徴ピラミッドネットワークという新しい手法を提案する。
我々のアプローチは主に差別的セマンティック特徴ピラミッド(DSFP)とガイドアンコリング(GA)から構成される。
論文 参考訳（メタデータ） (2021-08-31T11:59:00Z) - FoodLogoDet-1500: A Dataset for Large-Scale Food Logo Detection via
Multi-Scale Feature Decoupling Network [55.49022825759331]
高度な食品ロゴ検出アルゴリズムを開発するには、大規模な食品ロゴデータセットが緊急に必要である。
FoodLogoDet-1500は、1500のカテゴリ、約10万の画像、約15万個の手動で注釈付けされた食品ロゴオブジェクトを備えた、新しい大規模一般公開の食品ロゴデータセットである。
食品のロゴを識別する手法として,MFDNet(Multi-scale Feature Decoupling Network)を提案する。
論文 参考訳（メタデータ） (2021-08-10T12:47:04Z) - An Effective and Robust Detector for Logo Detection [58.448716977297565]
一部の攻撃者は、よく訓練されたロゴ検出モデルを侵害で騙している。
本稿では,2回検討する機構に基づく新しいロゴ検出手法を提案する。
我々は,デテクトRSアルゴリズムを,等化損失関数,マルチスケール変換,および逆データ拡張を備えたカスケードスキーマに拡張する。
論文 参考訳（メタデータ） (2021-08-01T10:17:53Z) - LogoDet-3K: A Large-Scale Image Dataset for Logo Detection [61.296935298332606]
完全アノテーション付き最大のロゴ検出データセットであるLogoDet-3Kを紹介する。
3000のロゴカテゴリー、約20万の注釈付きロゴオブジェクト、158,652の画像がある。
大規模なロゴ検出のための最先端のYOLOv3フレームワークにFocal LosとCIoU Losを組み込んだ強力なベースライン手法であるLogo-Yoloを提案する。
論文 参考訳（メタデータ） (2020-08-12T14:57:53Z)
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。