論文の概要: Monte Carlo Linear Clustering with Single-Point Supervision is Enough
for Infrared Small Target Detection
- arxiv url: http://arxiv.org/abs/2304.04442v1
- Date: Mon, 10 Apr 2023 08:04:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 15:36:11.539520
- Title: Monte Carlo Linear Clustering with Single-Point Supervision is Enough
for Infrared Small Target Detection
- Title（参考訳）: 単一点監視によるモンテカルロ線形クラスタリングは赤外小目標検出に十分である
- Authors: Boyang Li and Yingqian Wang and Longguang Wang and Fei Zhang and Ting
Liu and Zaiping Lin and Wei An and Yulan Guo
- Abstract要約: SIRST(Single-frame infrared small target)検出は、赤外線画像上の乱雑な背景から小さなターゲットを分離することを目的としている。
ディープラーニングに基づく手法は、SIRST検出において有望な性能を達成したが、大量のトレーニングデータを犠牲にしている。
単一点監視を用いたSIRST検出のための最初の手法を提案する。
- 参考スコア（独自算出の注目度）: 48.707233614642796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single-frame infrared small target (SIRST) detection aims at separating small
targets from clutter backgrounds on infrared images. Recently, deep learning
based methods have achieved promising performance on SIRST detection, but at
the cost of a large amount of training data with expensive pixel-level
annotations. To reduce the annotation burden, we propose the first method to
achieve SIRST detection with single-point supervision. The core idea of this
work is to recover the per-pixel mask of each target from the given single
point label by using clustering approaches, which looks simple but is indeed
challenging since targets are always insalient and accompanied with background
clutters. To handle this issue, we introduce randomness to the clustering
process by adding noise to the input images, and then obtain much more reliable
pseudo masks by averaging the clustered results. Thanks to this "Monte Carlo"
clustering approach, our method can accurately recover pseudo masks and thus
turn arbitrary fully supervised SIRST detection networks into weakly supervised
ones with only single point annotation. Experiments on four datasets
demonstrate that our method can be applied to existing SIRST detection networks
to achieve comparable performance with their fully supervised counterparts,
which reveals that single-point supervision is strong enough for SIRST
detection. Our code will be available at:
https://github.com/YeRen123455/SIRST-Single-Point-Supervision.
- Abstract（参考訳）: SIRST(Single-frame infrared small target)検出は、赤外線画像上の乱雑な背景から小さなターゲットを分離することを目的としている。
近年、深層学習に基づく手法は、SIRST検出において有望な性能を達成しているが、高価なピクセルレベルのアノテーションを用いた大量のトレーニングデータを犠牲にしている。
アノテーションの負担を軽減するため,単一点監視によるSIRST検出を実現する手法を提案する。
この研究の中核となる考え方は、クラスタリングアプローチを使用して、与えられた単一点ラベルから各ターゲットのピクセルごとのマスクを復元することである。
この問題に対処するために,入力画像にノイズを付加することでクラスタリングプロセスにランダム性を導入し,クラスタ化結果の平均化によりより信頼性の高い擬似マスクを得る。
この"monte carlo"クラスタリングアプローチにより,疑似マスクを正確に回収し,任意の完全教師付きsirst検出ネットワークを単一点アノテーションのみで弱い教師付きマスクに変換することができる。
4つのデータセットに対する実験により,本手法が既存のSIRST検出ネットワークに適用され,SIRST検出に十分強力な単一点監視性能を有することを示す。
私たちのコードは、https://github.com/YeRen123455/SIRST-Single-Point-Supervisionで利用可能です。
関連論文リスト
- Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。
最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。
本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
論文 参考訳（メタデータ） (2024-10-09T15:02:28Z) - Hybrid Mask Generation for Infrared Small Target Detection with Single-Point Supervision [18.168923054036682]
SIRST(Single-frame infrared small target)検出は、微小なターゲットを識別する必要があるため、大きな課題となる。
ネットワークトレーニングのためのシングルポイントラベルのみから,ターゲット毎に高品質なマスクを復元するハイブリッドマスク生成手法を提案する。
3つのデータセットにまたがる実験結果から,本手法は単一点監視による赤外線小目標検出法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-09-06T03:34:44Z) - One Shot is Enough for Sequential Infrared Small Target Segmentation [9.354927663020586]
赤外線小ターゲットシーケンスはフレーム間に強い類似性を示し、リッチなコンテキスト情報を含む。
本稿では,SAMのゼロショット一般化能力を逐次IRSTSに完全に適応させるワンショット・トレーニングフリーな手法を提案する。
実験の結果,現状のIRSTS法に匹敵する性能を達成するためには,本手法では1ショットしか必要としないことがわかった。
論文 参考訳（メタデータ） (2024-08-09T02:36:56Z) - Refined Infrared Small Target Detection Scheme with Single-Point Supervision [2.661766509317245]
単一点監視を用いた革新的赤外線小目標検出手法を提案する。
提案手法は最先端(SOTA)性能を実現する。
特に、提案手法は「ICPR 2024 Resource-Limited Infrared Small Target Detection Challenge Track 1: Weakly Supervised Infrared Small Target Detection」で3位を獲得した。
論文 参考訳（メタデータ） (2024-08-05T18:49:58Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳（メタデータ） (2024-03-08T16:14:54Z) - One-Stage Cascade Refinement Networks for Infrared Small Target
Detection [21.28595135499812]
SIRST(Single-frame InfraRed Small Target)検出は、固有の特性の欠如による課題である。
実世界の高解像度単一フレームターゲットのSIRST-V2データセットからなる赤外線小ターゲット検出のための新しい研究ベンチマークを提案する。
論文 参考訳（メタデータ） (2022-12-16T13:37:23Z) - Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。
検出精度は元の1段検出器と比べて同等か、さらに向上した。
論文 参考訳（メタデータ） (2021-01-28T02:38:29Z) - Fast Single-shot Ship Instance Segmentation Based on Polar Template Mask
in Remote Sensing Images [7.45725819658858]
本稿では,概念的にシンプルで簡単な単一ショット畳み込みニューラルネットワーク構造を提案する。
SSS-Netと呼ばれる本手法は,対象物の中心の位置に基づいて対象物を検出する。
Airbus Ship Detection ChallengeデータセットとISAIDshipsデータセットの両方の実験によると、SSS-Netは、船のインスタンスセグメンテーションの精度と速度において、強力な競争力を持っている。
論文 参考訳（メタデータ） (2020-08-28T02:38:04Z) - A Self-Training Approach for Point-Supervised Object Detection and
Counting in Crowds [54.73161039445703]
本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。
トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。
実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-25T02:14:42Z) - Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。
このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。
我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
論文 参考訳（メタデータ） (2020-03-20T09:48:53Z)
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。