論文の概要: Rethinking Intersection Over Union for Small Object Detection in Few-Shot Regime

• arxiv url: http://arxiv.org/abs/2307.09562v1
• Date: Mon, 17 Jul 2023 07:26:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 16:15:29.028755
• Title: Rethinking Intersection Over Union for Small Object Detection in Few-Shot Regime
• Title（参考訳）: Few-Shot Regimeにおける小物体検出のための交差点再考
• Authors: Pierre Le Jeune, Anissa Mokraoui
• Abstract要約: Few-Shot Object Detection (FSOD)では、小さな物体を検出することは極めて困難である。 我々は,新しいボックス類似度尺度であるSIoU(Scale-Adaptive Intersection over Union)を提案する。 SIoUはオブジェクトのサイズによって変化し、小さなオブジェクトシフトでより寛大になる。
• 参考スコア（独自算出の注目度）: 2.292003207440126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Few-Shot Object Detection (FSOD), detecting small objects is extremely difficult. The limited supervision cripples the localization capabilities of the models and a few pixels shift can dramatically reduce the Intersection over Union (IoU) between the ground truth and predicted boxes for small objects. To this end, we propose Scale-adaptive Intersection over Union (SIoU), a novel box similarity measure. SIoU changes with the objects' size, it is more lenient with small object shifts. We conducted a user study and SIoU better aligns than IoU with human judgment. Employing SIoU as an evaluation criterion helps to build more user-oriented models. SIoU can also be used as a loss function to prioritize small objects during training, outperforming existing loss functions. SIoU improves small object detection in the non-few-shot regime, but this setting is unrealistic in the industry as annotated detection datasets are often too expensive to acquire. Hence, our experiments mainly focus on the few-shot regime to demonstrate the superiority and versatility of SIoU loss. SIoU improves significantly FSOD performance on small objects in both natural (Pascal VOC and COCO datasets) and aerial images (DOTA and DIOR). In aerial imagery, small objects are critical and SIoU loss achieves new state-of-the-art FSOD on DOTA and DIOR.
• Abstract（参考訳）: Few-Shot Object Detection (FSOD)では、小さな物体を検出することは極めて困難である。 限られた監督によってモデルの局所化能力が損なわれ、数ピクセルのシフトによって、接地真理と小物体の予測ボックスの間のIoU(Intersection over Union)が劇的に減少する。 そこで我々は,新しいボックス類似度尺度であるSIoU(Scale-Adaptive Intersection over Union)を提案する。 SIoUはオブジェクトのサイズによって変化し、小さなオブジェクトシフトでより寛大になる。 ユーザスタディとSIoUは,IoUと人的判断の整合性を比較検討した。 評価基準としてSIoUを採用することは、より多くのユーザ指向モデルを構築するのに役立つ。 siouは、トレーニング中に小さなオブジェクトを優先順位付けし、既存の損失関数を上回るロス関数としても使用できる。 siouは非ショット方式で小さなオブジェクト検出を改善しているが、アノテーション付き検出データセットが取得するには高価すぎるため、この設定は業界では非現実的である。 したがって,本実験は,SIoU損失の優越性と多目的性を示すため,数発体制に重点を置いている。 SIoUは、自然(パスカルVOCとCOCOデータセット)と空中画像(DOTAとDIOR)の小さなオブジェクトでのFSOD性能を大幅に改善する。 空中画像では、小さな物体が重要であり、SIoU損失はDOTAおよびDIOR上の新しい最先端のFSODを達成する。

関連論文リスト

• 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)
• SOAR: Advancements in Small Body Object Detection for Aerial Imagery Using State Space Models and Programmable Gradients [0.8873228457453465]
  空中画像における小さな物体検出は、コンピュータビジョンにおいて重要な課題である。 トランスフォーマーベースのモデルを用いた従来の手法は、特殊データベースの欠如に起因する制限に直面していることが多い。 本稿では,小型空中物体の検出とセグメンテーション機能を大幅に向上する2つの革新的なアプローチを紹介する。
  論文  参考訳（メタデータ） (2024-05-02T19:47:08Z)
• Small Object Tracking in LiDAR Point Cloud: Learning the Target-awareness Prototype and Fine-grained Search Region [4.515917777731159]
  本稿では,LiDAR 点群における小物体追跡のためのSiamese ネットワーク方式を提案する。 提案手法は, 対象物に影響を及ぼすことなく, 目標物の追跡性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2024-01-24T08:02:44Z)
• Improving the Detection of Small Oriented Objects in Aerial Images [0.0]
  本研究では,オブジェクト指向物体検出モデルの分類・回帰タスクを強化することにより,空中画像中の小型物体を高精度に検出する手法を提案する。 ガイド・アテンション・ロス(GALoss)とボックス・ポイント・ロス(BPLoss)の2つの損失からなるアテンション・ポイント・ネットワークを設計した。 実験結果から,小型オブジェクトインスタンスを用いた標準指向型空中データセットにおける注意点ネットワークの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-12T11:00:07Z)
• 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)
• Joint-YODNet: A Light-weight Object Detector for UAVs to Achieve Above 100fps [2.5761958263376745]
  小型物体を検知するためのUAVのためのJointYODNetという新しい手法を提案する。 本手法は, 小型物体の検出性能を高めるため, 接合損失関数の開発を中心に展開する。 その結果,提案した関節損失関数は,小さな物体を正確に位置決めする既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-09-27T16:57:04Z)
• 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)
• 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)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)
• 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。