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/2301.05856v2
- Date: Tue, 17 Oct 2023 02:07:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 22:52:23.600225
- 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・ローテーション・ラベル・アサインメント (EARL) は、アンカーフリー検出器において、高品質な正のサンプルを適応的に選択するために提案される。
本稿では,ターゲットの規模に応じて多レベル特徴写像の中から適応的にサンプルを選択するために,適応型スケールサンプリング(ADS)戦略を提案する。
さらに, 動的楕円分布支援サンプリング (DED) 戦略を提案し, 試料分布をより柔軟にし, ターゲットの形状や配向に適合させる。
- 参考スコア（独自算出の注目度）: 22.963695067213084
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Label assignment is a crucial process in object detection, which
significantly influences the detection performance by determining positive or
negative samples during training process. However, existing label assignment
strategies barely consider the characteristics of targets in remote sensing
images (RSIs) thoroughly, e.g., large variations in scales and aspect ratios,
leading to insufficient and imbalanced sampling and introducing more
low-quality samples, thereby limiting detection performance. To solve the above
problems, an Elliptical Distribution aided Adaptive Rotation Label Assignment
(EARL) is proposed to select high-quality positive samples adaptively in
anchor-free detectors. Specifically, an adaptive scale sampling (ADS) strategy
is presented to select samples adaptively among multi-level feature maps
according to the scales of targets, which achieves sufficient sampling with
more balanced scale-level sample distribution. In addition, a dynamic
elliptical distribution aided sampling (DED) strategy is proposed to make the
sample distribution more flexible to fit the shapes and orientations of
targets, and filter out low-quality samples. Furthermore, a spatial distance
weighting (SDW) module is introduced to integrate the adaptive distance
weighting into loss function, which makes the detector more focused on the
high-quality samples. Extensive experiments on several popular datasets
demonstrate the effectiveness and superiority of our proposed EARL, where
without bells and whistles, it can be easily applied to different detectors and
achieve state-of-the-art performance. The source code will be available at:
https://github.com/Justlovesmile/EARL.
- Abstract（参考訳）: ラベル割り当てはオブジェクト検出において重要なプロセスであり、トレーニング中の正または負のサンプルを決定することによって検出性能に大きな影響を及ぼす。
しかし、既存のラベル割り当て戦略では、スケールやアスペクト比のばらつきが大きいなど、リモートセンシング画像(rsis)のターゲット特性を十分に考慮せず、不十分でバランスの取れないサンプリングや、より低品質なサンプルの導入によって検出性能が低下する。
以上の問題を解決するため, 適応回転ラベルアサインメント (EARL) が提案され, アンカーフリー検出器において高品質な正試料を適応的に選択する。
具体的には、ターゲットの規模に応じて多レベル特徴写像の中から適応的にサンプルを抽出するために、適応的スケールサンプリング(ADS)戦略を提示する。
さらに, ターゲットの形状や向きに合わせて試料分布をより柔軟にし, 低品質の試料を除去できるように, 動的楕円分布支援サンプリング (ded) 戦略を提案する。
さらに,空間距離重み付け(sdw)モジュールを導入し,適応距離重み付けを損失関数に統合することで,検出器が高品質な試料に焦点を合わせられるようにした。
いくつかの一般的なデータセットに対する大規模な実験により提案したEARLの有効性と優位性が証明され、ベルやホイッスルがなければ、異なる検出器に容易に適用でき、最先端の性能が達成できる。
ソースコードはhttps://github.com/justlovesmile/earl。
関連論文リスト
- 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) - 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) - 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。