論文の概要: MVA2023 Small Object Detection Challenge for Spotting Birds: Dataset, Methods, and Results

• arxiv url: http://arxiv.org/abs/2307.09143v1
• Date: Tue, 18 Jul 2023 10:52:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 15:23:54.039794
• Title: MVA2023 Small Object Detection Challenge for Spotting Birds: Dataset, Methods, and Results
• Title（参考訳）: mva2023 鳥発見のための小物体検出チャレンジ:データセット、方法、結果
• Authors: Yuki Kondo, Norimichi Ukita, Takayuki Yamaguchi, Hao-Yu Hou, Mu-Yi Shen, Chia-Chi Hsu, En-Ming Huang, Yu-Chen Huang, Yu-Cheng Xia, Chien-Yao Wang, Chun-Yi Lee, Da Huo, Marc A. Kastner, Tingwei Liu, Yasutomo Kawanishi, Takatsugu Hirayama, Takahiro Komamizu, Ichiro Ide, Yosuke Shinya, Xinyao Liu, Guang Liang, Syusuke Yasui
• Abstract要約: 本稿では,39,070枚の画像と137,121羽の鳥のサンプルを含む新たなSODデータセットを提案する。 データセット、ベースラインコード、公開テストセットの評価のためのWebサイトが公開されている。
• 参考スコア（独自算出の注目度）: 24.73863448239332
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Small Object Detection (SOD) is an important machine vision topic because (i) a variety of real-world applications require object detection for distant objects and (ii) SOD is a challenging task due to the noisy, blurred, and less-informative image appearances of small objects. This paper proposes a new SOD dataset consisting of 39,070 images including 137,121 bird instances, which is called the Small Object Detection for Spotting Birds (SOD4SB) dataset. The detail of the challenge with the SOD4SB dataset is introduced in this paper. In total, 223 participants joined this challenge. This paper briefly introduces the award-winning methods. The dataset, the baseline code, and the website for evaluation on the public testset are publicly available.
• Abstract（参考訳）: スモールオブジェクト検出(SOD)は重要なマシンビジョンのトピックである (i)様々な現実世界のアプリケーションは、遠方の物体に対する物体検出を必要とする。 (II)SODは,小物体のノイズやぼやけた画像の出現が少ないため,困難な課題である。 本稿では,sod4sb(small object detection for spotting birds)データセットと呼ばれる,137,121個の鳥インスタンスを含む39,070画像からなる新しいsodデータセットを提案する。 本稿では,SOD4SBデータセットによる課題の詳細を紹介する。 このチャレンジには合計223人の参加者が参加した。 本稿では,受賞方法を簡単に紹介する。 データセット、ベースラインコード、公開テストセットの評価のためのWebサイトが公開されている。

関連論文リスト

• Beyond Few-shot Object Detection: A Detailed Survey [25.465534270637523]
  研究者たちは、数発の学習とオブジェクト検出の原則を融合させる、数発のオブジェクト検出(FSOD)アプローチを導入した。 これらのアプローチは、広範なラベル付きデータセットへの依存を減らす上で重要な役割を果たす。 本研究の目的は,上記の数ショット設定を包括的に理解し,各FSODタスクの方法論を探索することである。
  論文  参考訳（メタデータ） (2024-08-26T13:09:23Z)
• V3Det Challenge 2024 on Vast Vocabulary and Open Vocabulary Object Detection: Methods and Results [142.5704093410454]
  V3Det Challenge 2024は、オブジェクト検出研究の境界を推し進めることを目的としている。 Vast Vocabulary Object DetectionとOpen Vocabulary Object Detectionの2つのトラックで構成されている。 我々は,広い語彙とオープン語彙のオブジェクト検出において,今後の研究の方向性を刺激することを目指している。
  論文  参考訳（メタデータ） (2024-06-17T16:58:51Z)
• Visible and Clear: Finding Tiny Objects in Difference Map [50.54061010335082]
  本稿では,検出モデルに自己再構成機構を導入し,それと微小物体との強い相関関係を明らかにする。 具体的には、再構成画像と入力の差分マップを構築して、検出器の首の内側に再構成ヘッドを配置し、小さな物体に対して高い感度を示す。 さらに、小さな特徴表現をより明確にするために、差分マップガイド機能拡張(DGFE)モジュールを開発する。
  論文  参考訳（メタデータ） (2024-05-18T12:22:26Z)
• 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)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Aerial Image Object Detection With Vision Transformer Detector (ViTDet) [0.0]
  Vision Transformer Detector (ViTDet) はオブジェクト検出のためのマルチスケール特徴を抽出するために提案されている。 ViTDetのシンプルな設計は、自然のシーン画像に優れた性能を実現し、どんな検出器アーキテクチャにも簡単に組み込むことができる。 以上の結果から,VTDetは水平バウンディングボックス(HBB)オブジェクト検出において,畳み込みニューラルネットワークよりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2023-01-28T02:25:30Z)
• Towards Large-Scale Small Object Detection: Survey and Benchmarks [48.961205652306695]
  我々は2つの大規模小型物体検出装置(SODA)、SODA-DおよびSODA-Aを構築し、それぞれが運転シナリオと航空シナリオに焦点を当てている。 SODA-Aでは,高分解能空中画像2513点を抽出し,9クラスに872069点を注釈した。 提案されたデータセットは、徹底的な注釈付きインスタンスの膨大なコレクションを持つ大規模なベンチマークへの最初の試みである。
  論文  参考訳（メタデータ） (2022-07-28T14:02:18Z)
• 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)
• A Survey of Deep Learning for Low-Shot Object Detection [44.20187548691372]
  Low-Shot Object Detection (LSOD)は、アノテーション付きのサンプルからオブジェクトを検出する新しい研究トピックである。 本調査ではLSOD法について概観する。
  論文  参考訳（メタデータ） (2021-12-06T06:56:00Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)
• TJU-DHD: A Diverse High-Resolution Dataset for Object Detection [48.94731638729273]
  大規模でリッチな多様性と高解像度のデータセットは、よりよいオブジェクト検出方法を開発する上で重要な役割を果たす。 私たちは多種多様な高解像度データセット(TJU-DHD)を構築します。 データセットには115,354枚の高解像度画像と709,330個のラベル付きオブジェクトが含まれており、スケールと外観に大きな違いがある。
  論文  参考訳（メタデータ） (2020-11-18T09:32:24Z)

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。