論文の概要: Dynamic Coarse-to-Fine Learning for Oriented Tiny Object Detection

• arxiv url: http://arxiv.org/abs/2304.08876v1
• Date: Tue, 18 Apr 2023 10:09:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 15:18:16.889823
• Title: Dynamic Coarse-to-Fine Learning for Oriented Tiny Object Detection
• Title（参考訳）: 傾斜物体検出のための動的粗度学習
• Authors: Chang Xu, Jian Ding, Jinwang Wang, Wen Yang, Huai Yu, Lei Yu, Gui-Song Xia
• Abstract要約: 向きの小さい物体の極端に幾何学的な形状と限られた特徴は、深刻なミスマッチと不均衡の問題を引き起こす。 我々は、DCFLと呼ばれる粗大なアサインラと共に、動的に先行する手法を提案する。 DOTA-v1.5, DOTA-v2.0, DIOR-Rデータセット上の1段検出器の最先端性能について検討した。
• 参考スコア（独自算出の注目度）: 47.02127854553912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting arbitrarily oriented tiny objects poses intense challenges to existing detectors, especially for label assignment. Despite the exploration of adaptive label assignment in recent oriented object detectors, the extreme geometry shape and limited feature of oriented tiny objects still induce severe mismatch and imbalance issues. Specifically, the position prior, positive sample feature, and instance are mismatched, and the learning of extreme-shaped objects is biased and unbalanced due to little proper feature supervision. To tackle these issues, we propose a dynamic prior along with the coarse-to-fine assigner, dubbed DCFL. For one thing, we model the prior, label assignment, and object representation all in a dynamic manner to alleviate the mismatch issue. For another, we leverage the coarse prior matching and finer posterior constraint to dynamically assign labels, providing appropriate and relatively balanced supervision for diverse instances. Extensive experiments on six datasets show substantial improvements to the baseline. Notably, we obtain the state-of-the-art performance for one-stage detectors on the DOTA-v1.5, DOTA-v2.0, and DIOR-R datasets under single-scale training and testing. Codes are available at https://github.com/Chasel-Tsui/mmrotate-dcfl.
• Abstract（参考訳）: 任意に向き付けられた小さな物体を検出することは、既存の検出器、特にラベルの割り当てに厳しい課題をもたらす。 最近の指向性物体検出器における適応ラベル割り当ての探索にもかかわらず、オブジェクト指向の極端な形状と限定的な特徴は依然として深刻なミスマッチと不均衡の問題を引き起こす。 具体的には、位置先行、正のサンプル特徴、インスタンスがミスマッチし、極端な形状の物体の学習は、適切な特徴の監督がほとんどないため、偏り、不均衡となる。 これらの問題に対処するため、我々はDCFLと呼ばれる粗大なアサインラと共に動的に先行する手法を提案する。 ひとつは、ミスマッチの問題を軽減するために、事前、ラベル割り当て、オブジェクト表現を動的にモデル化することです。 別の例として、粗い事前マッチングとよりきめ細かな後部制約を利用してラベルを動的に割り当て、多様なインスタンスに対して適切な比較的バランスの取れた監視を提供する。 6つのデータセットに関する広範な実験では、ベースラインが大幅に改善されている。 特に,DOTA-v1.5,DOTA-v2.0,DIOR-Rデータセット上の1段階検出器の単一スケールトレーニングおよび試験における最先端性能について検討した。 コードはhttps://github.com/chasel-tsui/mmrotate-dcflで入手できる。

関連論文リスト

• Exploiting Unlabeled Data with Multiple Expert Teachers for Open Vocabulary Aerial Object Detection and Its Orientation Adaptation [58.37525311718006]
  OVAD(Open-vocabulary Aero Object Detection)という,航空物体検出問題の新しい定式化を行った。 本稿では,CLIP-activated students-Teacher DetectionフレームワークであるCastDetを提案する。 本フレームワークは,ロバストなローカライズ教師といくつかのボックス選択戦略を統合し,新しいオブジェクトの高品質な提案を生成する。
  論文  参考訳（メタデータ） (2024-11-04T12:59:13Z)
• Robust Tiny Object Detection in Aerial Images amidst Label Noise [50.257696872021164]
  本研究は,ノイズラベル管理下での微小物体検出の問題に対処する。 本稿では,DN-TOD(Denoising Tiny Object Detector)を提案する。 本手法は,1段と2段の両方のオブジェクト検出パイプラインにシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-01-16T02:14:33Z)
• DCDet: Dynamic Cross-based 3D Object Detector [9.13446805857794]
  代替ラベル割り当て戦略は、3Dオブジェクト検出において未探索のままである。 動的クロスラベル代入(DCLA)方式を導入し,各オブジェクトの正のサンプルを断面領域から動的に割り当てる。 また、回帰損失において広く用いられるL1メトリックを置き換えるために、回転重み付きユニオン(RWIoU)メトリックも導入した。
  論文  参考訳（メタデータ） (2024-01-14T10:08:30Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection [45.10513110142015]
  現在のアンカーベースまたはアンカーフリーなラベル割り当てパラダイムは、多くのアウトリーな小さな基底真理サンプルを発生させる。 本稿では,小物体検出のためのガウス受容場に基づくラベルアサインメント(RFLA)戦略を提案する。 当社のアプローチは、AI-TODデータセットの4.0APポイントで最先端の競合より優れています。
  論文  参考訳（メタデータ） (2022-08-18T09:35:56Z)
• Detecting tiny objects in aerial images: A normalized Wasserstein distance and a new benchmark [45.10513110142015]
  本稿では, 正規化ワッサースタイン距離 (NWD) と呼ばれる新しい評価基準と, 小型物体検出のためのRanKing-based Assigning (RKA) 戦略を提案する。 提案したNWD-RKA戦略は、標準のIoUしきい値に基づくものを置き換えるために、あらゆる種類のアンカーベースの検出器に容易に組み込むことができる。 4つのデータセットでテストされたNWD-RKAは、大きなマージンで小さなオブジェクト検出性能を継続的に改善することができる。
  論文  参考訳（メタデータ） (2022-06-28T13:33:06Z)
• SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
  小さくて散らばった物体は実世界では一般的であり、検出は困難である。 本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。 機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
  論文  参考訳（メタデータ） (2020-04-28T06:03:54Z)

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。