Fugu-MT 論文翻訳(概要): A Coarse to Fine Framework for Object Detection in High Resolution Image

論文の概要: A Coarse to Fine Framework for Object Detection in High Resolution Image

arxiv url: http://arxiv.org/abs/2303.01219v1
Date: Thu, 2 Mar 2023 13:04:33 GMT
ステータス: 処理完了
システム内更新日: 2023-03-03 14:40:25.226446
Title: A Coarse to Fine Framework for Object Detection in High Resolution Image
Title（参考訳）: 高解像度画像における物体検出のための粗粒度フレームワーク
Authors: Jinyan Liu, Jie Chen
Abstract要約: オブジェクト検出の現在のアプローチでは、高解像度画像における小さなオブジェクトや大規模な分散問題を検出することはめったにない。本稿では,オブジェクト検出の精度を,特に小さなオブジェクトや大規模分散シーンに対して向上させる,シンプルで効率的なアプローチを提案する。提案手法は,高分解能画像における物体の空間と情報を有効利用することにより,より効率的に検出できる。
参考スコア（独自算出の注目度）: 8.316322664637537
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Object detection is a fundamental problem in computer vision, aiming at locating and classifying objects in image. Although current devices can easily take very high-resolution images, current approaches of object detection seldom consider detecting tiny object or the large scale variance problem in high resolution images. In this paper, we introduce a simple yet efficient approach that improves accuracy of object detection especially for small objects and large scale variance scene while reducing the computational cost in high resolution image. Inspired by observing that overall detection accuracy is reduced if the image is properly down-sampled but the recall rate is not significantly reduced. Besides, small objects can be better detected by inputting high-resolution images even if using lightweight detector. We propose a cluster-based coarse-to-fine object detection framework to enhance the performance for detecting small objects while ensure the accuracy of large objects in high-resolution images. For the first stage, we perform coarse detection on the down-sampled image and center localization of small objects by lightweight detector on high-resolution image, and then obtains image chips based on cluster region generation method by coarse detection and center localization results, and further sends chips to the second stage detector for fine detection. Finally, we merge the coarse detection and fine detection results. Our approach can make good use of the sparsity of the objects and the information in high-resolution image, thereby making the detection more efficient. Experiment results show that our proposed approach achieves promising performance compared with other state-of-the-art detectors.
Abstract（参考訳）: 物体検出は、画像中の物体の特定と分類を目的としたコンピュータビジョンの基本的な問題である。現在の装置は、非常に高解像度の画像を容易に撮ることができるが、オブジェクト検出の現在のアプローチでは、高解像度画像における小さな物体や大規模な分散問題を検出することはめったにない。本稿では,高解像度画像の計算コストを低減しつつ,特に小型オブジェクトや大規模分散シーンにおける物体検出の精度を向上する,単純かつ効率的な手法を提案する。画像が適切にダウンサンプリングされている場合、全体の検出精度は低下するが、リコールレートは著しく低下しない。さらに、軽量検出器を使用しても高解像度画像を入力することで、小さな物体をよりよく検出することができる。高解像度画像における大物体の精度を確保しつつ、小物体の検出性能を向上させるためのクラスタベース粗大物体検出フレームワークを提案する。第1段階では、小型物体のダウンサンプリング画像における粗い検出と、高解像度画像上での軽量検出器によるセンターローカライゼーションを行い、粗い検出とセンターローカライゼーション結果によるクラスタ領域生成法に基づく画像チップを取得し、さらに第2ステージ検出器にチップを送り、微細な検出を行う。最後に,粗い検出と細かい検出結果を融合する。提案手法は,高分解能画像における物体の空間と情報を有効利用することにより,より効率的に検出できる。実験の結果,提案手法は他の最先端検出器と比較して有望な性能が得られることがわかった。

関連論文リスト

ESOD: Efficient Small Object Detection on High-Resolution Images [36.80623357577051]
小さなオブジェクトは通常、わずかに分散され、局所的にクラスタ化される。画像の非対象背景領域において、大量の特徴抽出計算を無駄にする。本稿では,検出器のバックボーンを再利用して,特徴レベルのオブジェクト探索とパッチスライシングを行う方法を提案する。
論文参考訳（メタデータ） (2024-07-23T12:21:23Z)
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)
Cascaded Zoom-in Detector for High Resolution Aerial Images [12.944309759825902]
密度誘導型トレーニングと推論のために検出器自体を再利用した効率的なカスケードズームイン検出器を提案する。トレーニング中、密度作物が配置され、新しいクラスとしてラベル付けされ、トレーニングデータセットの強化に使用される。このアプローチはどんな検出器にも容易に統合でき、標準検出プロセスに大きな変化は生じない。
論文参考訳（メタデータ） (2023-03-15T16:39:21Z)
Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
論文参考訳（メタデータ） (2022-08-05T09:36:13Z)
SALISA: Saliency-based Input Sampling for Efficient Video Object Detection [58.22508131162269]
ビデオオブジェクト検出のための新しい一様SALiencyベースの入力SAmpling技術であるSALISAを提案する。 SALISAは小物体の検出を著しく改善することを示す。
論文参考訳（メタデータ） (2022-04-05T17:59:51Z)
Focus-and-Detect: A Small Object Detection Framework for Aerial Images [1.911678487931003]
我々はFocus-and-Detectと呼ばれる2段階のオブジェクト検出フレームワークを提案する。第1段階は、焦点領域を構成するオブジェクトのクラスタを生成する。第2段階は対象検出器ネットワークであり、焦点領域内の物体を予測する。提案した2段階のフレームワークは,VisDrone検証データセットのAPスコアが42.06であることを示す。
論文参考訳（メタデータ） (2022-03-24T10:43:56Z)
You Better Look Twice: a new perspective for designing accurate detectors with reduced computations [56.34005280792013]
BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
論文参考訳（メタデータ） (2021-07-21T12:39:51Z)
Ensembling object detectors for image and video data analysis [98.26061123111647]
本稿では,複数の物体検出器の出力をアンサンブルすることで,画像データ上の境界ボックスの検出性能と精度を向上させる手法を提案する。本研究では,2段階追跡に基づく検出精度向上手法を提案することで,映像データに拡張する。
論文参考訳（メタデータ） (2021-02-09T12:38:16Z)
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)
Localizing Grouped Instances for Efficient Detection in Low-Resource Scenarios [27.920304852537534]
可変物体の大きさや密度に適応するフレキシブルな検出手法を提案する。我々は検出段階の連続に頼り、それぞれが個人だけでなく、対象の群を予測できる能力を持っている。本稿では,2つの航空画像データセットの実験結果について報告し,提案手法が標準単発検出器よりも精度が高く,計算効率も高いことを示す。
論文参考訳（メタデータ） (2020-04-27T07:56:53Z)

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。