Fugu-MT 論文翻訳(概要): EARL: An Elliptical Distribution aided Adaptive Rotation Label Assignment for Oriented Object Detection in Remote Sensing Images

論文の概要: EARL: An Elliptical Distribution aided Adaptive Rotation Label Assignment for Oriented Object Detection in Remote Sensing Images

arxiv url: http://arxiv.org/abs/2301.05856v1
Date: Sat, 14 Jan 2023 08:32:16 GMT
ステータス: 処理完了
システム内更新日: 2023-01-18 18:35:07.259781
Title: EARL: An Elliptical Distribution aided Adaptive Rotation Label Assignment for Oriented Object Detection in Remote Sensing Images
Title（参考訳）: EARL:リモートセンシング画像におけるオブジェクト指向物体検出のための適応回転ラベルアサインメントを用いた楕円分布支援
Authors: Jian Guan, Mingjie Xie, Youtian Lin, Guangjun He, Pengming Feng
Abstract要約: アダプティブ・ラベル・アサインメント (EARL) は、配向検出器の品質の高い正のサンプルを選択するために提案される。 ADSを強化するために、動的楕円分布(DED)に従って正のサンプルが選択され、ターゲットの配向と形状特性をさらに活用することができる。 DOTAやHRSC2016のような一般的なリモートセンシングデータセットの実験は、提案したEARLの有効性と優位性を実証している。
参考スコア（独自算出の注目度）: 24.666927447970266
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Label assignment is often employed in recent convolutional neural network (CNN) based detectors to determine positive or negative samples during training process. However, we note that current label assignment strategies barely consider the characteristics of targets in remote sensing images thoroughly, such as large variations in orientations, aspect ratios and scales, which lead to insufficient sampling. In this paper, an Elliptical Distribution aided Adaptive Rotation Label Assignment (EARL) is proposed to select positive samples with higher quality in orientation detectors, and yields better performance. Concretely, to avoid inadequate sampling of targets with extreme scales, an adaptive scale sampling (ADS) strategy is proposed to dynamically select samples on different feature levels according to the scales of targets. To enhance ADS, positive samples are selected following a dynamic elliptical distribution (DED), which can further exploit the orientation and shape properties of targets. Moreover, a spatial distance weighting (SDW) module is introduced to mitigate the influence from low-quality samples on detection performance. Extensive experiments on popular remote sensing datasets, such as DOTA and HRSC2016, demonstrate the effectiveness and the superiority of our proposed EARL, where without bells and whistles, it achieves 72.87 of mAP on DOTA dataset by being integrated with simple structure, which outperforms current state-of-the-art anchor-free detectors and provides comparable performance as anchor-based methods. The source code will be available at https://github.com/Justlovesmile/EARL
Abstract（参考訳）: ラベル割り当ては、トレーニングプロセス中に正または負のサンプルを決定するために、最近の畳み込みニューラルネットワーク(CNN)ベースの検出器でしばしば使用される。しかし,現在のラベル割当戦略では,方向やアスペクト比,スケールのばらつきが大きいなど,リモートセンシング画像のターゲット特性をほとんど考慮していないため,サンプリングが不十分である。本稿では, 適応回転ラベルアサインメント (EARL) を用いて, 配向検出器の品質の高い正の試料を選別し, 良好な性能が得られることを示す。具体的には,過度なスケールのターゲットの適切なサンプリングを避けるために,ターゲットのスケールに応じて異なる特徴レベルのサンプルを動的に選択する適応型スケールサンプリング(ADS)戦略を提案する。 ADSを強化するために、動的楕円分布(DED)に従って正のサンプルが選択され、ターゲットの配向と形状特性をさらに活用することができる。さらに,低品質試料による検出性能への影響を軽減するため,空間距離重み付け(SDW)モジュールを導入する。 DOTAやHRSC2016のような一般的なリモートセンシングデータセットに対する大規模な実験は、ベルやホイッスルがなければ、単純な構造と統合することで、DOTAデータセット上のmAPの72.87を達成でき、現在の最先端のアンカーフリー検出器より優れ、アンカーベース手法と同等のパフォーマンスを提供する。ソースコードはhttps://github.com/Justlovesmile/EARLで入手できる。

関連論文リスト

ANNE: Adaptive Nearest Neighbors and Eigenvector-based Sample Selection for Robust Learning with Noisy Labels [7.897299759691143]
本稿では,Adaptive Nearest Neighbors and Eigenvector-based sample selection methodを紹介する。 ANNEは、損失に基づくサンプリングとFINEとAdaptive KNNを統合し、幅広いノイズレートシナリオのパフォーマンスを最適化する。
論文参考訳（メタデータ） (2024-11-03T15:51:38Z)
DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation [68.55191764622525]
拡散モデル(DPM)は、視覚合成において顕著な性能を示すが、サンプリング中に複数の評価を必要とするため、計算コストが高い。最近の予測器合成・拡散サンプリング装置は,要求される評価回数を大幅に削減したが,本質的には誤調整の問題に悩まされている。我々はDC-CPRrと呼ばれる新しい高速DPMサンプリング装置を導入する。
論文参考訳（メタデータ） (2024-09-05T17:59:46Z)
Better Sampling, towards Better End-to-end Small Object Detection [7.7473020808686694]
限られた特性と高密度と相互重なり合いのため、小さな物体検出は不満足なままである。エンド・ツー・エンド・フレームワークにおけるサンプリングの強化手法を提案する。我々のモデルは、VisDroneデータセット上での最先端(SOTA)よりも平均精度(AP)が2.9%向上することを示す。
論文参考訳（メタデータ） (2024-05-17T04:37:44Z)
Metric-aligned Sample Selection and Critical Feature Sampling for Oriented Object Detection [4.677438149607058]
サンプルの品質を評価するためにアフィン変換を導入し、距離に基づくラベル割り当て戦略を提案する。提案手法は,物体の形状と回転特性に応じて動的に試料を選択可能である。その結果,提案した検出器の最先端の精度が示された。
論文参考訳（メタデータ） (2023-06-29T06:36:46Z)
Selecting Learnable Training Samples is All DETRs Need in Crowded Pedestrian Detection [72.97320260601347]
混雑した歩行者検出では, サンプル選択法が不適切であるため, DETRの性能は相変わらず不満足である。制約誘導ラベル割り当てスキーム(CGLA)からなる群集歩行者のサンプル選択を提案する。実験の結果,提案したSSCPは推論のオーバーヘッドを発生させることなく,ベースラインを効果的に改善することがわかった。
論文参考訳（メタデータ） (2023-05-18T08:28:01Z)
Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2022-12-20T19:29:37Z)
Pareto Optimization for Active Learning under Out-of-Distribution Data Scenarios [79.02009938011447]
本研究では,未ラベルデータプールからバッチサイズを固定した未ラベルサンプルの最適なサブセットを選択するサンプリング手法を提案する。実験の結果,従来の機械学習(ML)タスクとディープラーニング(DL)タスクの両方において,その効果が示された。
論文参考訳（メタデータ） (2022-07-04T04:11:44Z)
Dynamic Label Assignment for Object Detection by Combining Predicted and Anchor IoUs [20.41563386339572]
本稿では,予測付きトレーニング状況に基づいてラベル割り当てを動的に行うための,シンプルで効果的な手法を提案する。本手法は,適応ラベル代入アルゴリズムによる検出モデルの性能改善を示す。
論文参考訳（メタデータ） (2022-01-23T23:14:07Z)
ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification [25.035093667770052]
2つのモジュールを含むアンチノイズラーニング(ANL)アプローチを提案します。 FDAモジュールは、カメラ回りのコントラスト学習と逆適応を通じて、ID関連サンプルを収集し、ID非関連サンプルを分散するように設計されています。 reliable sample selection(rss)モジュールは、ノイズラベルを訂正し、メインモデルの信頼できるサンプルを選択するために補助モデルを使用する。
論文参考訳（メタデータ） (2020-12-27T02:38:45Z)
Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文参考訳（メタデータ） (2020-07-18T09:48:29Z)
Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
論文参考訳（メタデータ） (2020-06-11T16:19:16Z)

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。