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
- 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) - ScatterSample: Diversified Label Sampling for Data Efficient Graph
Neural Network Learning [22.278779277115234]
グラフニューラルネットワーク(GNN)トレーニングが高価であるいくつかのアプリケーションでは、新しいインスタンスのラベル付けが高価である。
データ効率のよいアクティブサンプリングフレームワークであるScatterSampleを開発し、アクティブな学習環境下でGNNを訓練する。
5つのデータセットに対する実験により、ScatterSampleは他のGNNのアクティブラーニングベースラインよりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-06-09T04:05:02Z) - 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) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳(メタデータ) (2021-04-19T08:46:08Z) - 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) - Towards Better Object Detection in Scale Variation with Adaptive Feature
Selection [3.5352273012717044]
チャネル次元の多レベル表現を融合する方法を自動学習する新しい適応的特徴選択モジュール(AFSM)を提案する。
これは、特徴ピラミッド構造を持つ検出器の性能を著しく向上させる。
クラス不均衡問題に対処するために,クラス対応サンプリング機構(CASM)を提案する。
論文 参考訳(メタデータ) (2020-12-06T13:41:20Z) - 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。