論文の概要: Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework

• arxiv url: http://arxiv.org/abs/2309.01099v1
• Date: Sun, 3 Sep 2023 06:35:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 21:34:10.453163
• Title: Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework
• Title（参考訳）: 両レベル対応フレームワークによる赤外小ターゲット検出ロバスト性向上
• Authors: Zhu Liu, Zihang Chen, Jinyuan Liu, Long Ma, Xin Fan, Risheng Liu
• Abstract要約: 本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
• 参考スコア（独自算出の注目度）: 61.34862133870934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The detection of small infrared targets against blurred and cluttered backgrounds has remained an enduring challenge. In recent years, learning-based schemes have become the mainstream methodology to establish the mapping directly. However, these methods are susceptible to the inherent complexities of changing backgrounds and real-world disturbances, leading to unreliable and compromised target estimations. In this work, we propose a bi-level adversarial framework to promote the robustness of detection in the presence of distinct corruptions. We first propose a bi-level optimization formulation to introduce dynamic adversarial learning. Specifically, it is composited by the learnable generation of corruptions to maximize the losses as the lower-level objective and the robustness promotion of detectors as the upper-level one. We also provide a hierarchical reinforced learning strategy to discover the most detrimental corruptions and balance the performance between robustness and accuracy. To better disentangle the corruptions from salient features, we also propose a spatial-frequency interaction network for target detection. Extensive experiments demonstrate our scheme remarkably improves 21.96% IOU across a wide array of corruptions and notably promotes 4.97% IOU on the general benchmark. The source codes are available at https://github.com/LiuZhu-CV/BALISTD.
• Abstract（参考訳）: ぼやけた背景やぼやけた背景に対する小さな赤外線の標的の検出は、持続的な課題である。 近年,学習に基づくスキームが地図を直接構築するための主流の方法論となっている。 しかし、これらの手法は背景の変化や現実世界の混乱の固有の複雑さに影響を受けやすく、信頼性に欠ける目標推定に繋がる。 本研究では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対立フレームワークを提案する。 まず,動的対角学習を導入するための二段階最適化法を提案する。 具体的には、低レベル目標としての損失を最大化するために学習可能な腐敗の発生と、上位レベル目標としての検出器の堅牢性促進とを組み合わせる。 また,最も有害な腐敗を発見し,ロバスト性と精度のバランスをとるための階層的強化学習戦略も提供する。 そこで本稿では, 目標検出のための空間周波数相互作用ネットワークを提案する。 広範な実験により,広範な汚職に対して21.96%のiouが著しく改善され,一般的なベンチマークでは4.97%のiouが促進された。 ソースコードはhttps://github.com/LiuZhu-CV/BALISTDで入手できる。

関連論文リスト

• Pick of the Bunch: Detecting Infrared Small Targets Beyond Hit-Miss Trade-Offs via Selective Rank-Aware Attention [22.580497586948198]
  複雑な背景乱れの中で、赤外線小目標検出は、ディムターゲットを正確に位置決めする固有の課題に直面している。 本稿では,従来のヒットミストレードオフを超えて高精度なネットワークであるSeRankDetを提案する。
  論文  参考訳（メタデータ） (2024-08-07T12:10:32Z)
• Sparse Prior Is Not All You Need: When Differential Directionality Meets Saliency Coherence for Infrared Small Target Detection [15.605122893098981]
  本研究では,Sparse Differential Directionality prior (SDD)フレームワークを提案する。 我々は、ターゲットの異なる方向特性を活用して、それらを背景と区別する。 さらに、サリエンシ・コヒーレンス・ストラテジーにより、目標検出性をさらに強化する。 近似交互最小化法(PAM)アルゴリズムは,提案したモデルを効率的に解く。
  論文  参考訳（メタデータ） (2024-07-22T04:32:43Z)
• Better Sampling, towards Better End-to-end Small Object Detection [7.7473020808686694]
  限られた特性と高密度と相互重なり合いのため、小さな物体検出は不満足なままである。 エンド・ツー・エンド・フレームワークにおけるサンプリングの強化手法を提案する。 我々のモデルは、VisDroneデータセット上での最先端(SOTA)よりも平均精度(AP)が2.9%向上することを示す。
  論文  参考訳（メタデータ） (2024-05-17T04:37:44Z)
• 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)
• 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)
• 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)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。