論文の概要: Oriented Object Detection in Optical Remote Sensing Images using Deep Learning: A Survey
- arxiv url: http://arxiv.org/abs/2302.10473v4
- Date: Tue, 9 Apr 2024 05:47:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 20:45:54.748410
- Title: Oriented Object Detection in Optical Remote Sensing Images using Deep Learning: A Survey
- Title（参考訳）: 深層学習を用いた光リモートセンシング画像のオブジェクト指向物体検出
- Authors: Kun Wang, Zi Wang, Zhang Li, Ang Su, Xichao Teng, Minhao Liu, Qifeng Yu,
- Abstract要約: オブジェクト指向物体検出は、リモートセンシングにおいて最も基本的で困難なタスクの1つである。
近年,ディープラーニング技術を用いたオブジェクト指向物体検出の進歩が目覚ましい。
- 参考スコア（独自算出の注目度）: 10.665235711722076
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Oriented object detection is one of the most fundamental and challenging tasks in remote sensing, aiming to locate and classify objects with arbitrary orientations. Recent years have witnessed remarkable progress in oriented object detection using deep learning techniques. Given the rapid development of this field, this paper aims to provide a comprehensive survey of recent advances in oriented object detection. To be specific, we first review the technical evolution from horizontal object detection to oriented object detection and summarize the specific challenges, including feature misalignment, spatial misalignment, and periodicity of angle. Subsequently, we further categorize existing methods into detection framework, oriented bounding box (OBB) regression, and feature representations, and discuss how these methods address the above challenges in detail. In addition, we cover several publicly available datasets and performance evaluation protocols. Furthermore, we provide a comprehensive comparison and analysis of state-of-the-art oriented object detection methods. Toward the end of this paper, we discuss several future directions for oriented object detection.
- Abstract（参考訳）: オブジェクト指向オブジェクト検出は、オブジェクトを任意の向きで特定・分類することを目的とした、リモートセンシングにおける最も基本的で困難なタスクの1つである。
近年,ディープラーニング技術を用いたオブジェクト指向物体検出の進歩が目覚ましい。
本稿では,この分野の急速な発展を踏まえ,オブジェクト指向物体検出の最近の進歩を包括的に調査することを目的とする。
まず、水平物体検出から指向物体検出への技術的進化を概観し、特徴的不整合、空間的不整合、角度の周期性といった特定の課題を要約する。
その後、既存の手法を検出フレームワーク、オブジェクト指向境界ボックス(OBB)回帰、特徴表現に分類し、これらの手法が上記の課題にどのように対処するかを詳細に議論する。
さらに,公開データセットや性能評価プロトコルについても紹介する。
さらに,最先端指向オブジェクト検出手法の総合的な比較と解析を行う。
本稿では,オブジェクト指向物体検出の今後の方向性について論じる。
関連論文リスト
- Learning Background Prompts to Discover Implicit Knowledge for Open Vocabulary Object Detection [101.15777242546649]
Open vocabulary Object Detection (OVD) は、ベースと新規の両方のカテゴリからオブジェクトを認識できる最適なオブジェクト検出器を求めることを目的としている。
近年の進歩は、知識蒸留を利用して、事前訓練された大規模視覚言語モデルからオブジェクト検出のタスクに洞察力のある知識を伝達している。
本稿では,暗黙的背景知識を活用するための学習バックグラウンドプロンプトを提案するため,LBPと呼ばれる新しいOVDフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-01T17:32:26Z) - Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。
また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
論文 参考訳（メタデータ） (2024-05-13T14:44:22Z) - Few-Shot Object Detection: Research Advances and Challenges [15.916463121997843]
Few-shot Object Detection (FSOD)は、少数の学習技術とオブジェクト検出技術を組み合わせて、注釈付きサンプルに制限のある新しいオブジェクトに迅速に適応する。
本稿では,近年のFSOD分野の進歩を概観する包括的調査を行う。
論文 参考訳（メタデータ） (2024-04-07T03:37:29Z) - Remote Sensing Object Detection Meets Deep Learning: A Meta-review of
Challenges and Advances [51.70835702029498]
本稿では,ディープラーニングに基づくRSOD手法の最近の成果を概観する。
RSODの主な課題として,マルチスケールオブジェクト検出,回転オブジェクト検出,弱いオブジェクト検出,小さなオブジェクト検出,限られた監視を伴うオブジェクト検出の5つを挙げる。
また、RSODの分野で広く使用されているベンチマークデータセットと評価指標、およびRSODのアプリケーションシナリオについてもレビューする。
論文 参考訳（メタデータ） (2023-09-13T06:48:32Z) - A Comprehensive Study on Object Detection Techniques in Unconstrained
Environments [0.0]
オブジェクト検出は、画像やビデオ内のオブジェクトを識別し、ローカライズすることを目的とした、コンピュータビジョンにおける重要なタスクである。
近年のディープラーニングと畳み込みニューラルネットワーク(CNN)の進歩により、オブジェクト検出技術の性能が大幅に向上した。
本稿では,制約のない環境下でのオブジェクト検出技術について,様々な課題,データセット,最先端のアプローチを含む包括的研究を行う。
論文 参考訳（メタデータ） (2023-04-11T15:45:03Z) - A Comparative Review of Recent Few-Shot Object Detection Algorithms [0.0]
ラベル付きデータで新しいクラスに適応するために学習するオブジェクトの少ない検出は、命令的で長期にわたる問題である。
近年の研究では、ターゲットドメインを監督せずに追加データセットに暗黙の手がかりを使って、少数のショット検出器が堅牢なタスク概念を洗練させる方法が研究されている。
論文 参考訳（メタデータ） (2021-10-30T07:57:11Z) - Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。
この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
論文 参考訳（メタデータ） (2021-08-15T14:36:02Z) - Deep Learning on Monocular Object Pose Detection and Tracking: A
Comprehensive Overview [8.442460766094674]
オブジェクトのポーズ検出と追跡は、自律運転、ロボット工学、拡張現実など、多くの分野で広く応用されているため、注目を集めている。
ディープラーニングは、他のものよりも優れたパフォーマンスを示した最も有望なものです。
本稿では,ディープラーニング技術経路に属するオブジェクトのポーズ検出と追跡の最近の進歩を概観する。
論文 参考訳（メタデータ） (2021-05-29T12:59:29Z) - Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。
高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。
このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
論文 参考訳（メタデータ） (2021-05-27T23:34:06Z) - 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)
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。