Fugu-MT 論文翻訳(概要): ColMix -- A Simple Data Augmentation Framework to Improve Object Detector Performance and Robustness in Aerial Images

論文の概要: ColMix -- A Simple Data Augmentation Framework to Improve Object Detector Performance and Robustness in Aerial Images

arxiv url: http://arxiv.org/abs/2305.13509v1
Date: Mon, 22 May 2023 21:56:35 GMT
ステータス: 処理完了
システム内更新日: 2023-05-24 20:31:38.696814
Title: ColMix -- A Simple Data Augmentation Framework to Improve Object Detector Performance and Robustness in Aerial Images
Title（参考訳）: ColMix -- 空中画像のオブジェクト検出性能とロバスト性を改善するシンプルなデータ拡張フレームワーク
Authors: Cuong Ly, Grayson Jorgenson, Dan Rosa de Jesus, Henry Kvinge, Adam Attarian, Yijing Watkins
Abstract要約: セグメンテーションマスクを必要とせずに物体密度を増大させる,コラージュペーストと呼ばれる新しい拡張法を提案する。コラージュペーストは、画像の破損など、特定の流通外シフトに対して脆弱であることがわかった。 PixMix Augmentation法とコラージュペーストを組み合わせるための2つの簡単な手法を導入し、組み合わせた手法をColMixと呼ぶ。
参考スコア（独自算出の注目度）: 1.9573380763700712
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the last decade, Convolutional Neural Network (CNN) and transformer based object detectors have achieved high performance on a large variety of datasets. Though the majority of detection literature has developed this capability on datasets such as MS COCO, these detectors have still proven effective for remote sensing applications. Challenges in this particular domain, such as small numbers of annotated objects and low object density, hinder overall performance. In this work, we present a novel augmentation method, called collage pasting, for increasing the object density without a need for segmentation masks, thereby improving the detector performance. We demonstrate that collage pasting improves precision and recall beyond related methods, such as mosaic augmentation, and enables greater control of object density. However, we find that collage pasting is vulnerable to certain out-of-distribution shifts, such as image corruptions. To address this, we introduce two simple approaches for combining collage pasting with PixMix augmentation method, and refer to our combined techniques as ColMix. Through extensive experiments, we show that employing ColMix results in detectors with superior performance on aerial imagery datasets and robust to various corruptions.
Abstract（参考訳）: 過去10年間で、畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースのオブジェクト検出器は、さまざまなデータセットで高いパフォーマンスを実現している。検出文献の大半はMS COCOのようなデータセット上でこの機能を開発したが、これらの検出器は依然としてリモートセンシングアプリケーションに有効であることが証明されている。少数の注釈付きオブジェクトや低いオブジェクト密度など、この特定の領域での課題は、全体的なパフォーマンスを妨げる。本研究では, セグメンテーションマスクを必要とせずに物体密度を増大させ, 検出器性能を向上させるコラージュペースト法を提案する。コラージュペースティングはモザイク強化などの関連する手法を超えて精度とリコールを向上し,オブジェクト密度の制御性を高めることを実証する。しかし,コラージュペースティングは,画像の破損など,特定の分散シフトに対して脆弱であることがわかった。これに対処するために,コラージュペーストとpixmix拡張法を組み合わせた単純なアプローチを2つ紹介し,この手法をcollage pastingと呼ぶ。広範にわたる実験により,colmix を用いると,空中画像データセットにおいて優れた性能を持つ検出器が出現し,各種汚損に対して頑健であることが判明した。

関連論文リスト

A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
論文参考訳（メタデータ） (2024-08-01T07:40:00Z)
Select-Mosaic: Data Augmentation Method for Dense Small Object Scenes [4.418515380386838]
モザイクデータ拡張技術は、トレーニングデータの多様性と複雑さを高めるために複数の画像を縫合する。本稿では,詳細な領域選択戦略により改良されたSelect-Mosaicデータ拡張手法を提案する。改良されたSelect-Mosaic法は、高密度小物体検出タスクの処理において優れた性能を示す。
論文参考訳（メタデータ） (2024-06-08T09:22:08Z)
Supervision Interpolation via LossMix: Generalizing Mixup for Object Detection and Beyond [10.25372189905226]
LossMixは単純だが汎用的で効果的な正規化であり、物体検出器の性能と堅牢性を高める。 PASCAL VOCとMS COCOデータセットの実証結果は、LossMixが検出のための最先端の手法を一貫して上回っていることを示している。
論文参考訳（メタデータ） (2023-03-18T06:13:30Z)
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)
Boosting Robustness of Image Matting with Context Assembling and Strong Data Augmentation [83.31087402305306]
トリマップへのロバストさと、異なる領域の画像への一般化はまだ未定である。マルチレベルコンテキストアッセンブルと強力なデータ拡張により高ロバスト性(RMat)を実現する画像マッチング手法を提案する。
論文参考訳（メタデータ） (2022-01-18T11:45:17Z)
Context-Aware Transfer Attacks for Object Detection [51.65308857232767]
本稿では,オブジェクト検出のためのコンテキスト認識攻撃を新たに生成する手法を提案する。オブジェクトとその相対的な位置と大きさの共起をコンテキスト情報として利用することにより、ターゲットの誤分類攻撃をうまく生成できることを示す。
論文参考訳（メタデータ） (2021-12-06T18:26:39Z)
ChessMix: Spatial Context Data Augmentation for Remote Sensing Semantic Segmentation [1.0152838128195467]
ChessMixは、データセットに変換されたミニパッチをチェスボードのようなグリッドに混ぜることで、新しい合成画像を生成する。 3つのよく知られたリモートセンシングデータセットの結果から、ChessMixは少ないラベル付きピクセルでオブジェクトのセグメンテーションを改善することができることが示された。
論文参考訳（メタデータ） (2021-08-26T01:01:43Z)
Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
論文参考訳（メタデータ） (2021-03-23T19:45:26Z)
ResizeMix: Mixing Data with Preserved Object Information and True Labels [57.00554495298033]
本研究は,データ混合におけるサリエンシー情報の重要性について検討し,サリエンシー情報は増補性能向上のために必要ではないことを見出した。本稿では,より効率的で実装が容易なresizemix法を提案する。
論文参考訳（メタデータ） (2020-12-21T03:43:13Z)
DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
論文参考訳（メタデータ） (2020-10-02T13:59:05Z)
FenceMask: A Data Augmentation Approach for Pre-extracted Image Features [18.299882139724684]
本稿では,FenceMaskという新しいデータ拡張手法を提案する。様々なコンピュータビジョンタスクにおいて優れたパフォーマンスを示す。提案手法は,細粒度視覚分類タスクとVisDroneデータセットにおいて,大幅な性能向上を実現した。
論文参考訳（メタデータ） (2020-06-14T12:16:16Z)

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。