論文の概要: An advanced YOLOv3 method for small object detection
- arxiv url: http://arxiv.org/abs/2212.02809v1
- Date: Tue, 6 Dec 2022 07:58:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 17:00:18.361784
- Title: An advanced YOLOv3 method for small object detection
- Title(参考訳): 小物体検出のための高度なYOLOv3法
- Authors: Baokai Liu, Fengjie He, Shiqiang Du, Jiacheng Li, Wenjie Liu
- Abstract要約: 本研究は,特徴写像の受容領域を広げるために,拡張畳み込みを用いた特徴融合と拡張畳み込みに基づく戦略を提案する。
実験により, 従来のYOLOv3ネットワークよりも, 小物体や隠蔽物体の検出精度が高いことがわかった。
- 参考スコア(独自算出の注目度): 2.906551456030129
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, object detection has achieved a very large performance
improvement, but the detection result of small objects is still not very
satisfactory. This work proposes a strategy based on feature fusion and dilated
convolution that employs dilated convolution to broaden the receptive field of
feature maps at various scales in order to address this issue. On the one hand,
it can improve the detection accuracy of larger objects. On the other hand, it
provides more contextual information for small objects, which is beneficial to
improving the detection accuracy of small objects. The shallow semantic
information of small objects is obtained by filtering out the noise in the
feature map, and the feature information of more small objects is preserved by
using multi-scale fusion feature module and attention mechanism. The fusion of
these shallow feature information and deep semantic information can generate
richer feature maps for small object detection. Experiments show that this
method can have higher accuracy than the traditional YOLOv3 network in the
detection of small objects and occluded objects. In addition, we achieve 32.8\%
Mean Average Precision on the detection of small objects on MS COCO2017 test
set. For 640*640 input, this method has 88.76\% mAP on the PASCAL VOC2012
dataset.
- Abstract(参考訳): 近年、オブジェクト検出は、非常に大きな性能向上を達成しているが、小さなオブジェクトの検出結果はまだ十分ではない。
本研究は, 拡張畳み込みを用いた機能融合と拡張畳み込みに基づく戦略を提案し, この問題に対処するために, 様々なスケールで特徴写像の受容領域を広げる。
一方、より大きな物体の検出精度を向上させることができる。
一方,小型オブジェクトに対してよりコンテキスト情報を提供し,小型オブジェクトの検出精度の向上に有効である。
特徴マップ内のノイズをフィルタリングして小オブジェクトの浅い意味情報を取得し、多スケール融合特徴モジュールとアテンション機構を用いて、より小さなオブジェクトの特徴情報を保存する。
これらの浅い特徴情報と深い意味情報の融合は、小さな物体検出のためによりリッチな特徴マップを生成することができる。
実験により, 従来のYOLOv3ネットワークよりも, 小物体や隠蔽物体の検出精度が高いことがわかった。
さらに,MS COCO2017 テストセット上での微小物体検出における平均平均精度を 32.8 % とする。
640*640入力の場合、PASCAL VOC2012データセット上の88.76\% mAPを持つ。
関連論文リスト
- Efficient Feature Fusion for UAV Object Detection [9.632727117779178]
特に小さな物体は画像のごく一部を占めており、正確な検出を困難にしている。
既存のマルチスケール機能融合手法は、様々な解像度で機能を集約することでこれらの課題に対処する。
本稿では,UAVオブジェクト検出タスクに特化して設計された新しい機能融合フレームワークを提案する。
論文 参考訳(メタデータ) (2025-01-29T20:39:16Z) - YOLO-MST: Multiscale deep learning method for infrared small target detection based on super-resolution and YOLO [0.18641315013048293]
本稿では,画像超解像技術とマルチスケール観測を組み合わせた深層学習赤外線小目標検出手法を提案する。
この手法の2つの公開データセットであるSIRSTとIRISでのmAP@0.5検出率は、それぞれ96.4%と99.5%に達した。
論文 参考訳(メタデータ) (2024-12-27T18:43:56Z) - Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。
提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。
完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
論文 参考訳(メタデータ) (2024-12-16T09:14:32Z) - DASSF: Dynamic-Attention Scale-Sequence Fusion for Aerial Object Detection [6.635903943457569]
元のYOLOアルゴリズムは、異なるスケールのターゲットを認識する能力の弱いため、全体的な検出精度が低い。
本稿では,空中画像のターゲット検出のための動的アテンションスケール系列融合アルゴリズム(DASSF)を提案する。
DASSF法をYOLOv8nと比較すると,平均平均精度(mAP)は9.2%,2.4%増加した。
論文 参考訳(メタデータ) (2024-06-18T05:26:44Z) - 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) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-08-18T13:13:09Z) - YOLOv3 with Spatial Pyramid Pooling for Object Detection with Unmanned
Aerial Vehicles [0.0]
我々は,背骨ダークネット53の端に空間ピラミッドポーリング層を追加することで,一段検出器YOLOv3の性能向上を目指す。
また, YOLOv3法の異なるバージョンについて評価を行った。
論文 参考訳(メタデータ) (2023-05-21T04:41:52Z) - A Tri-Layer Plugin to Improve Occluded Detection [100.99802831241583]
本研究では,2段階物体検出装置の頭部検出のための単純な''モジュールを提案し,部分閉塞物体のリコールを改善する。
モジュールは、ターゲットオブジェクト、オクルーダー、オクラデーのセグメンテーションマスクの三層を予測し、それによってターゲットオブジェクトのマスクをより正確に予測することができる。
また,COCO評価データセットを構築し,部分閉塞オブジェクトと分離オブジェクトのリコール性能を測定した。
論文 参考訳(メタデータ) (2022-10-18T17:59:51Z) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳(メタデータ) (2022-04-05T16:29:49Z) - 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) - Real-time object detection method based on improved YOLOv4-tiny [0.0]
YOLOv4-tiny は YOLOv4 に基づいて提案され,ネットワーク構造をシンプルにし,パラメータを削減する。
まず、Yolov4-tinyの2つのCSPBlockモジュールの代わりにResNet-Dネットワークで2つのResBlock-Dモジュールを使用する。
補助ネットワークの設計では、グローバルな特徴を抽出するために5x5の受容場を得るために2つの連続した3x3畳み込みを使用し、より効果的な情報を抽出するためにチャネルアテンションと空間アテンションも使用される。
論文 参考訳(メタデータ) (2020-11-09T08:26:28Z)
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。