Fugu-MT 論文翻訳(概要): Object Detection in Aerial Imagery

論文の概要: Object Detection in Aerial Imagery

arxiv url: http://arxiv.org/abs/2211.15479v1
Date: Tue, 15 Nov 2022 11:22:18 GMT
ステータス: 処理完了
システム内更新日: 2022-12-04 14:51:19.231984
Title: Object Detection in Aerial Imagery
Title（参考訳）: 空中画像における物体検出
Authors: Dmitry Demidov, Rushali Grandhe, Salem AlMarri
Abstract要約: iSAIDデータセット上で,2段階,1段階,注目度に基づく物体検出装置の性能を示す。また,航空画像設定における異なるモデルの長所と短所を比較検討した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Object detection in natural images has achieved remarkable results over the years. However, a similar progress has not yet been observed in aerial object detection due to several challenges, such as high resolution images, instances scale variation, class imbalance etc. We show the performance of two-stage, one-stage and attention based object detectors on the iSAID dataset. Furthermore, we describe some modifications and analysis performed for different models - a) In two stage detector: introduced weighted attention based FPN, class balanced sampler and density prediction head. b) In one stage detector: used weighted focal loss and introduced FPN. c) In attention based detector: compare single,multi-scale attention and demonstrate effect of different backbones. Finally, we show a comparative study highlighting the pros and cons of different models in aerial imagery setting.
Abstract（参考訳）: 自然画像における物体検出は、長年にわたって顕著な結果をもたらしてきた。しかし、高解像度画像、インスタンススケールのばらつき、クラス不均衡など、いくつかの課題により、空中物体検出において同様の進歩はみられていない。 iSAIDデータセット上で,2段階,1段階,注目度に基づく物体検出器の性能を示す。さらに,様々なモデルに対して行った修正と分析について述べる。 a) 2段階検出器: 重み付き注意に基づくfpn、クラスバランスド・サンプラー、密度予測ヘッドを導入した。 b) 1段階検出器:重み付き焦点損失を使用し、FPNを導入する。 c) 注意に基づく検出器:単一マルチスケールの注意を比較し、異なるバックボーンの効果を示す。最後に、航空画像設定における異なるモデルの長所と短所を強調する比較研究を示す。

関連論文リスト

SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
論文参考訳（メタデータ） (2024-07-01T07:03:51Z)
Object Detection in Aerial Images in Scarce Data Regimes [0.0]
小さな物体は、より多数の空中画像において、自然画像と空中画像の間の明らかなパフォーマンスギャップの原因となっている。 FSOD法の訓練と評価を改善するスケール適応型ボックス類似度基準を提案する。また、計量学習と微調整に基づく2つの異なるアプローチによる汎用FSODにも貢献する。
論文参考訳（メタデータ） (2023-10-16T14:16:47Z)
On the Robustness of Object Detection Models in Aerial Images [37.50307094643692]
DOTA-v1.0に基づく新しいベンチマークを2つ導入する。第1のベンチマークは、19の一般的な汚職を含むが、第2のベンチマークは、クラウド崩壊したイメージに焦点を当てている。改良されたモデルアーキテクチャ,大規模ネットワーク,高度に構築されたモジュール,および巧妙なデータ拡張戦略により,航空物体検出モデルの堅牢性が向上することがわかった。
論文参考訳（メタデータ） (2023-08-29T15:16:51Z)
ODAM: Gradient-based instance-specific visual explanations for object detection [51.476702316759635]
勾配重み付き物体検出器活性化マップ(ODAM) ODAMは、各予測属性に対する検出器の決定に対する領域の影響を示す熱マップを生成する。そこで本研究では,重複検出対象を識別するために,各予測に対してモデルの説明情報を考慮したOdam-NMSを提案する。
論文参考訳（メタデータ） (2023-04-13T09:20:26Z)
Active Gaze Control for Foveal Scene Exploration [124.11737060344052]
本研究では,葉型カメラを用いた人間とロボットが現場を探索する方法をエミュレートする手法を提案する。提案手法は,同数の視線シフトに対してF1スコアを2～3ポイント増加させる。
論文参考訳（メタデータ） (2022-08-24T14:59:28Z)
Target-aware Dual Adversarial Learning and a Multi-scenario Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection [65.30079184700755]
本研究は、物体検出のために異なるように見える赤外線と可視画像の融合の問題に対処する。従来のアプローチでは、2つのモダリティの根底にある共通点を発見し、反復最適化またはディープネットワークによって共通空間に融合する。本稿では、融合と検出の連立問題に対する二段階最適化の定式化を提案し、その後、核融合と一般的に使用される検出ネットワークのためのターゲット認識デュアル逆学習(TarDAL)ネットワークに展開する。
論文参考訳（メタデータ） (2022-03-30T11:44:56Z)
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)
Validation of object detection in UAV-based images using synthetic data [9.189702268557483]
UAVベースの検出のための機械学習(ML)モデルは、UAVアプリケーションとは無関係なタスクのためにキュレートされたデータを使用して検証されることが多い。このようなエラーは、UAVの画像と訓練中の画像との間の画像条件の違いによって生じる。本研究は,ゲームエンジンを用いて生成した合成データを用いて,異なるUAV画像条件が検出性能に与える影響を理解することに焦点を当てた。
論文参考訳（メタデータ） (2022-01-17T20:56:56Z)
RelationRS: Relationship Representation Network for Object Detection in Aerial Images [15.269897893563417]
航空画像における物体検出のための関係表現ネットワーク(RelationRS)を提案する。デュアルリレーションモジュールは、異なるスケールの特徴間の潜在的な関係を学習し、異なるパッチから異なるシーン間の関係を同じイテレーションで学習する。複雑な背景を持つ画像の物体検出効果を改善するため、BVR(Bridging visual representations Module)が空中画像のフィールドに導入される。
論文参考訳（メタデータ） (2021-10-13T14:02:33Z)
Object-aware Contrastive Learning for Debiased Scene Representation [74.30741492814327]
オブジェクトを自己教師型でローカライズする,オブジェクト認識型コントラスト学習フレームワークを開発した。また、コントラCAM、オブジェクト認識型乱作、背景混合に基づく2つのデータ拡張を導入し、コントラスト型自己教師型学習における文脈バイアスと背景バイアスを低減した。
論文参考訳（メタデータ） (2021-07-30T19:24:07Z)
Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文参考訳（メタデータ） (2020-09-16T11:37:43Z)

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。